GPU体系架构(一)：数据的并行处理

最近在了解GPU架构这方面的内容，由于资料零零散散，所以准备写两篇博客整理一下。GPU的架构复杂无比，这两篇文章也是从宏观的层面去一窥GPU的工作原理罢了

GPU根据厂商的不同，显卡型号的不同，GPU的架构也有差别，但是大体的设计基本相同，原理的部分也是相通的。下面我们就以NVIDIA的Fermi架构为蓝本，从降低延迟的角度，来讲解一下GPU到底是如何利用数据的并行处理来提升性能的。有关GPU的架构细节和逻辑管线的实现细节，我们将在下一篇里再讲。

无论是CPU还是GPU，都在使用各种各样的策略来避免停滞（stall）。

CPU的优化路线有很多，包括使用pipeline，提高主频，在芯片上集成访问速度更快的缓存，减少内存访问的延迟等等。在减少stalls的路上，CPU还采用了很多聪明的技术，比如分支预测，指令重排，寄存器重命名等等。

GPU则采用了另一种不同的策略：throughput。它提供了大量的专用处理器，由于GPU端数据的天然并行性，所以通过数据的大规模并行化处理，来降低延迟。这种设计优点是通过提高吞吐量，数据的整体处理时间减少，隐藏了处理的延迟。但是由于芯片上集成的核越多，留给其他设备的空间就越小，所以像memory cache和logical control这样的设备就会变少，导致每一路shader program的执行变得延迟很高。了解这个特性，我们来看一个例子，以此来说明如何利用GPU的架构，写出更高效的代码。

假如我们有一个mesh要被渲染，光栅化后生成了2000个fragment，那么我们需要调用一个pixel shader program 2000次，假如我们的GPU只有一个shader core（世界最弱鸡GPU），它开始执行第一个像素的shader program，执行一些算数指令，操作一下寄存器上的值，由于寄存器是本地的，所以此时并不会发生阻塞，但是当程序执行到某个纹理采样的操作时，由于纹理数据并不在程序的本地寄存器中，所以需要进行内存的读取操作，该操作可能要耗费几百甚至几千个时钟周期，所以会阻塞住当前处理器，等待读取的结果。如果真的只是这样设计这个GPU，那它真的就是太弱鸡了，所以为了让它稍微好点，我们需要提升它的性能，那如何降低它的延迟呢？我们给每个fragment提供一些本地存储和寄存器，用来保存该fragment的一些执行状态，这样我们就可以在当前fragment等待纹理数据时，切换到另一个fragment，开始执行它的shader program，当它遇到内存读取操作阻塞时，会再次切换，以此类推，直到2000个shader program都执行到这里。这时第一个fragment的颜色已经返回，可以继续往下执行了。使用这种方式，可以最大化的提高GPU的效率，虽然在单个像素来看，执行的延迟变高了，但是从2000个像素整体来说，执行的延迟减少了。

现代GPU当然不会弱鸡到只有一个shader core，但是它们也同样采用了这种方式来减低延迟。现代GPU为了提高数据的并行化，使用了SIMT（Single Instruction Multi Thread，SIMD的更高级版本），执行shader program的最小单位是thread，执行相同program的threads打包成组，NVIDIA称之为warp，AMD称之为wavefront。一个warp/wavefront在特定数量的GPU shader core上调度执行，warps调度器调度的基本单元就是warp/wavefront。

假如我们有2000个fragment需要执行shader program，以NVIDIA为例，它的GPU包含32个thread，所以要执行这些任务需要2000/32 = 62.5个warps，也就是说要分配63个warps，有一个只使用一半。

一个warp的执行过程跟单个GPU shader core的执行过程是类似的，32个像素的shader program对应的thread，会在32个GPU shader core上同时以lock-step的方式执行，当着色器程序遇到内存读取操作时，比如访问纹理（非常耗时），因为32个threads执行的是相同的程序，所以它们会同时遇到该操作，内存读取意味着该线程组将会阻塞（stall），全部等待内存读取的结果。为了降低延迟，GPU的warp调度器会将当前阻塞的warp换出，用另一组包含32个线程的warp来代替执行。换出操作跟单核的任务调度一样的快，因为在换入换出时，每个线程的数据都没有被触碰，每个线程都有它自己的寄存器，每个warp都负责记录它执行到了哪条指令。换入一个新的warp，不过是将GPU 的shader cores切换到另一组线程上继续执行，除此之外没有其他额外的开销。该过程如下图所示：

在我们这个简单的例子中，内存读取的延迟（latency）会导致warp被换出，在实际的应用中，可能更小的延迟就会导致warp的换出操作，因为换入换出的操作开销非常低。warp-swapping的策略是GPU隐藏延迟（latency）的主要方式。但是有几个关键因素，会影响到该策略的性能，比如说，如果我们只有很少的threads，也就是只能创建很少的warp，会使隐藏延迟出现问题。

shader program的结构是影响性能的主要角色，其中最大的一个影响因素就是每个thread需要的寄存器的数量。在上面例子的讲解过程中，我们一直假设例子中的2000个thread都是同时驻留在GPU中的。但是实际上，每个thread绑定的shader program中需要的寄存器越多，产生的threads就越少（因为寄存器的数量是固定的），能够驻留在GPU中的warp就越少。warps的短缺也就意味着无法使用warp-swapping的策略减缓延迟。warps在GPU中存在的数量称之为占用率，高占用率意味着有更多的warps可以用来执行，低占用率则会严重影响GPU的并行效率。

另一个影响GPU性能的因素就是动态分支（dynamic branching），主要是由if和循环引进的。因为一个warp中的所有线程在执行到if语句时，就会出现分裂，如果大家都是执行的相同的分支，那也没什么，但但凡有一个线程执行另一个分支，那么整个warp会把两个分支都执行一遍，然后每个线程扔掉它们各自不需要的结果，这种现象称为thread divergence。

了解了上面的基本原理，我们可以看出，整个GPU的设计其实也是一种trade-off，用单路数据的高延迟，来换整体数据的吞吐量，以此来最大化GPU的性能，降低stall。在实际的编码过程中，尤其是shader的编写过程中，也要严肃影响GPU优化策略的几个因素，只有这样，才能写出更加高效的代码，真正发挥出GPU的潜力。

下一篇会更加详细的介绍GPU的结构和逻辑管线，如果错误，欢迎指正。