利用GPU改善程序性能的一点心得

1.     硬件方面

a. 流处理器个数

　　　　    Gpu内部的计算单元个数，决定分析模块实时性的关键因素。

　　　　    实测效果： gtx760  1152个

Gtx960  1024个

单路1080p运动检测  760的实时性好于960

 b.内存到显存（北桥）传输带宽

暨pcie总线带宽，  PCI-E 3.0 x16双向速度大约为32GB/s

8路1080p 25fps双向吞吐量为 3G/s,   按照理论减半原则16G/s的带宽是足够使用。

但相比现在显存的带宽达到112GB/s及以上, 所以这个北桥带宽任然是限制GPU性能主要性能瓶颈，

但是对于目前的视频实时分析系统这个带宽是足够使用的。

 c. SM(流处理器组的个数)

每一个SM共用一组控制晶体管，暨该SM内所有流处理器的共用一组控制晶体管。

反映了GPU的多数据多指令能力。

Gtx760为5  gtx960为8  实测gtx960多路处理能力强于gtx760

d. 传输延时

数据从内存拷贝到显存所需要的时间。

这个从软件（Streams and Concurrency）层面可以减少延时对系统的影响。在软件层面部分做具体分析。

2.  软件层面

           a. 编程API的选择¹。

Cpu程序开发： 机器语言；   汇编语言；  针对硬件优化库的API（如ipp）； 通用C、c++；

GPU程序开发： 机器语言；   驱动API ； 运行时API ；封装好的优化库（npp）

越高级的API开发周期越短， 但灵活性越差

用npp升级我们VA算法模块，目前只需要将相应的ipp函数替换为npp函数即可。有些ipp函数npp没有对应的实现可以利用驱动

API或者运行时API封装一个kernel函数。

 b. Cuda一些特性的应用

（1）       Stream的使用²

使用stream，可以从软件层面遮盖传输时延。

暨在gpu在执行计算的时候，可以同时进行数据传输，这样可以保证gpu不会因为等待数据而导致利用率的下降，从而影响系统分析实时性。图例                             如下：

HD表示  host –> device     主机内存到显存的数据拷贝

DH表示  device à host      显存数据到内存的数据拷贝

K 表示 kernel函数 gpu在执行计算， 上述图表是Nsight的timeline

（2）       页锁定主机内存⁴

页锁定主机内存， 操作系统不会对这块内存进行分页，并交换到磁盘。 该内存会一直驻留物理内存中

GPU知道了该内存的物理地址可以利用DMA（direct memory access）控制器和主机内存复制

页锁定主机内存比可分页内存性能高2倍左右

（3）       Hper-Q³

NVIDIA在开普勒架构后开始支持Hper-Q， Hper-Q支持不同流之间kernel的并发。

Gtx960支持8个stream kernel并发。

  c.异构并发

主机和设备之间可以并发执行。

下面是两种pipleline的比较

同步执行：

分析一帧耗时为   T = t_g + t_c；

                     异步并发：

分析一帧耗时为   T =  Max（ t_g ， t_c）

参考资料：

1 cuda应用设计与开发：方法与最佳实践。

2 INVIDA 技术开发文档：CUDA C/C++ Streams and Concurrency

3  INVIDA 技术开发文档：Hyper-Q Example

  4  Cuda by example