1

Clang を使用して Nvidia GPU への OpenMP オフロードを必要とするプロジェクトに取り組んでいます。ここに記載されている手順に従って、Clang をインストールしてオフロードをサポートすることができました。

システム仕様

  • OS - Ubuntu 16.04 LTS
  • Clang - バージョン 4.00
  • プロセッサ - Intel(R) Core(TM) i7 -4700MQ CPU
  • Cuda -バージョン - 9.0
  • Nvidia GPU - GeForce 740M (sm_capability - 35)

しかし問題は、サンプル プログラムを実行して OpenMP から Nvidia GPU をテストすると、ターゲット領域の一部が GPU で実行される傾向があり、同じターゲット領域がホストで実行を開始することです。

サンプル プログラムはこちらにあります。これは、2 つの行列を乗算するように記述された小さな C プログラムです。

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <omp.h>

/* Problem size. */
# define N 1920

void init_array(float* A, float* B)
{
    int i, j;
    for (i = 0; i < N; i++)
    {
        for (j = 0; j < N; j++)
        {
            A[i*N + j] = ((float) i*j) / N;
        }
    }

    for (i = 0; i < N; i++)
    {
        for (j = 0; j < N; j++)
        {
            B[i*N + j] = ((float) i*(j+1)) / N;
        }
    }
}
void  mm_kernel(float *A, float *B, float *E)
{

    #pragma omp target data map(to:A) map(to:B) map(alloc:E)
{
    #pragma omp target
    #pragma omp teams distribute num_teams(4)
        for (int i = 0; i < N; i++)
  {
        printf("Team %d Thread %d Number of threads %d \n", omp_get_team_num() ,omp_get_thread_num(),omp_get_num_threads());
        #pragma omp  parallel for
        for (int j = 0; j < N; j++)
    {
            E[i*N + j] = 0.0;
            for(int k = 0; k < N; k++)
            {
                E[i*N + j] = E[i*N + j] + A[i*N + k] * B[j*N+k];
            }
    }
    }
  }
    }

int main(){
  double t_start, t_end;

    float* A;
    float* B;
    float* E;

    A = (float*)malloc(N*N*sizeof(float));
    B = (float*)malloc(N*N*sizeof(float));
    E = (float*)malloc(N*N*sizeof(float));
    init_array(A, B); //initialize Matrix A and B

    t_start = omp_get_wtime();
    mm_kernel(A,B,E);
    t_end = omp_get_wtime();

    printf("Time spent %lf\n",t_end-t_start );
    free(A);
    free(B);
    free(E);
}

プログラムは以下を使用してコンパイルされました

clang -fopenmp -fopenmp-targets=nvptx64-nvidia-cuda 3mm.c -o 3mmgpu

ターゲット領域がホストとターゲット デバイスの両方で実行されていると主張する主な理由は、コマンド ラインからの出力によるものです。

コマンドライン出力

最初のチーム 0 とチーム 1 は、各チームごとに 960 を示し、その後の反復では、各チームごとに 2 つのスレッドが得られます (私のプロセッサは、コアごとに 2 つのハードウェア レベルのスレッドを処理できる 4 コア プロセッサです)。

また、GPU で何かが実行されているかどうかを確認するために、nvprof でファット バイナリを実行してみました。

プロファイリング結果は以下の通り。

プロファイリング結果

実際、対象地域で何が起こっているのか理解できません。ターゲット領域がホストとターゲット デバイスの両方で実行されている理由。

4

1 に答える 1