問題タブ [amd-processor]

最近、2 種類のカーネル ランタイム測定を比較しましたが、紛らわしい結果がいくつか見られます。

GPU と Ubuntu Linux が統合された AMD Bobcat CPU (E-350) を使用しています (CL_PLATFORM_VERSIONはOpenCL 1.2 AMD-APP (923.1))。

基本的な gettimeofday のアイデアは次のようになります。

これは、カーネルが約 5466 ミリ秒を必要とすることを示しています。

/ / /clGetEventProfilingInfoで行った2回目の測定。QUEUEDSUBMITSTARTEND

4 つの時間値を使用して、さまざまな状態で費やした時間を計算できます。

• キューに入れられた時間: 0.06 ミリ秒、
• 送信に費やした時間: 2733 ミリ秒、
• 実行に費やした時間: 2731 ミリ秒 (実際の実行時間)。

合計すると 5466 ミリ秒になることがわかりますが、半分の時間送信済み状態のままなのはなぜですか?

そして、面白いことは次のとおりです。

• サブミットされた状態は、異なるカーネルまたは異なるワークロードであっても、常に実際の実行時間の半分です (したがって、一定のセットアップ時間にはなりません)。

• CPU の場合、送信された状態で費やされた時間は 0 であり、実行時間は gettimeofday の結果と同じです。

• CPU と GPU を使用する Windows を搭載した Intel Ivy Bridge でカーネルをテストしましたが、その影響は見られませんでした。

誰も手がかりを持っていますか？

GPU がカーネルを 2 回実行する (gettimeofday が実際の実行時間の 2 倍になる) か、関数 clGetEventProfilingInfo が AMD GPU に対して正しく機能していない可能性があります。

複数のプロセス間で単一の GPU を共有したいアプリケーションがあります。つまり、これらの各プロセスは、同じ GPU を対象とする独自の CUDA または OpenCL コンテキストを作成します。Fermi のホワイト ペーパー [1] によると、アプリケーション レベルのコンテキスト切り替えは 25 マイクロ秒未満ですが、起動は GPU での起動時に効果的にシリアル化されるため、Fermi はこれにはうまく機能しません。Kepler のホワイト ペーパー [2] によると、複数の CUDA ストリーム、MPI プロセス、またはプロセス内のスレッドから最大 32 の同時接続を可能にする Hyper-Q と呼ばれるものがあります。

私の質問: 誰かがこれを Kepler GPU で試し、そのカーネルが個別のプロセスからスケジュールされたときに同時に実行されることを確認しましたか? これは単なる CUDA 機能ですか、それとも Nvidia GPU の OpenCL でも使用できますか? AMD の GPU は同様のものをサポートしていますか?

[1] http://www.nvidia.com/content/PDF/fermi_white_papers/NVIDIA_Fermi_Compute_Architecture_Whitepaper.pdf

[2] http://www.nvidia.com/content/PDF/kepler/NVIDIA-Kepler-GK110-Architecture-Whitepaper.pdf

AMD APPプログラミングガイドには、次のように書かれています（p.no 4-15）：

転送の場合<=32kB：ホストからデバイスへの転送の場合、データはCPUによってランタイムに固定されたホストメモリバッファにコピーされ、DMAエンジンはデータをデバイスメモリに転送します。デバイスからホストへの転送では、逆のことが行われます。

上記のDMA、CPU DMAエンジン、またはGPU DMAエンジンですか？

私はJavaでプログラムを書いています

このプログラムでは、データの配列を読み取って変更しています。これはコードの例です：

ところで、INDEX配列には、プリフェッチを防ぐためにランダムな順序でDATA配列のインデックスが含まれています。INDEX配列でランダムインデックスを使用して、すべてのキャッシュアクセスを強制的に見逃しています。

次に、ヒット率に関する情報を収集して、CPUキャッシュの動作を確認します。

この目的のために開発されたツールはありますか？そうでない場合、何かテクニックはありますか？

グラフィックス カードをインストールせずに OpenCL カーネルのオフライン コンパイルを実行する方法を見つけようとしていました。SDKをインストールしました。

NVIDIAまたはAMDの両方にグラフィックスカードをインストールせずに、OpenCLカーネルをコンパイルした経験がある人はいますか?

ありがとう

私はOpenCLの完全な初心者であり、ビデオカード（AMD Radeon 6970）で実行されるプログラムのコーディング方法を学び始めたいと思っていました。AMDのアプリSDKをインストールしましたが、これを開始する必要がありますか？

含まれているサンプルソリューションを作成してみましたが、次のようになりました。

エラーC1083：インクルードファイルを開くことができません：'d3dx10.h'：そのようなファイルまたはディレクトリはありませんc：\ users \ ... \ simpledx10 \ SimpleDX10.hpp

DX11をインストールしているからだと思います。最初は自分で簡単なプログラムを作成するだけだと思いましたが、Stack Overflowとgoogleを検索した後、それを機能させるために必要なものがすべてわかりませんでした。

完全な初心者がAMDビデオカードを使用してWindowsでOpenCLを動作させるための便利なガイドはありますか？

gcc を使用して intel (linux) でコンパイルされた並列化されたコード (openmp) は、2 倍のコアを持つ AMD よりも Intel コンピューターではるかに高速に実行されます。すべてのコアが使用されていることがわかりますが、AMD では約 10 倍の CPU 時間がかかります。intel コンパイラの「cripple AMD」について聞いたことがありますが、gcc を使用しています。前もって感謝します

AMDプロセッサで実行されている64ビットのWindows7を使用しています。

python-2.7.3.amd64をインストールしました。

NumPyの適切な（非公式の）バイナリをインストールしました。

numpyをインポートし、Pythonコマンドラインからその関数を呼び出し始めると、すべてが正常に機能します。

ただし、Geanyエディターで同じことを行うと、エラーメッセージが表示され、Pythonはnumpyという名前のモジュールを実行しなくなりました。

ImportError：numpyという名前のモジュールがありません

pythonとnumpyの両方を2回再インストールしましたが、何も変更されていません。

Geanyには、UN-Officialバージョンのnumpyまたは64ビットのWindowsの性質、あるいはその両方との非互換性があるという事実から、問題が発生する可能性があるのではないでしょうか。

たぶん私はそれにnumpyを導入するためにGeanyでいくつかのさらなる構成をしなければなりませんか？このジレンマを解決するための提案をいただければ幸いです。

次の問題があります。
いくつかの命令を使用して、xop チェックに関連するいくつかのテストがありBulldozer (xop)ます。
そして、このテストはBulldozerプロセッサ上でのみ実行する必要があります。プロセッサがコンパイル時に命令を
サポートしていることを確認するにはどうすればよいですか?xop

言語: C、OS: Linux ;

2 *XeonX5650を搭載したローカル計算サーバーから2*Opteron 4280を搭載した別のローカル計算サーバーに移行しています...今日、新しいマシン（AMD 1）ですばらしいCプログラムを起動しようとしましたが、パフォーマンス>50％、すべての可能なパラメーターを同じに保ちます（乱数ジェネレーターのシードでも）。私はこの問題を掘り下げ始めました。「amdopteron4200コンパイラオプション」をグーグルで検索すると、GCC 4.6.3コンパイラで使用できる「フラグ」（オプション）という2つの提案がありました。私はこれらの旗で遊んで、ここの下のプロットで私の発見を要約しました...

写真のアップロードは許可されていないので、チャートはこちらhttps://plus.google.com/117744944962358260676/posts/EY6djhKK9ab

誰か（コーディングの人）がこのテーマについてコメントをくれるかどうか疑問に思っています。特に、「... -march =bdver1-fprefetch-loop-arrays」と「...-fprefetch」という事実に興味があります。 -loop-arrays -march = bdver1 "は別のランタイムで生成されますか？また、「-funroll-all-loops」がすでに「-O3」または「-Ofast」に含まれているかどうかもわかりません。このフラグをもう一度追加しても、まったく違いが生じるのはなぜですか。Intelプロセッサにフラグを追加すると、パフォーマンスがさらに低下するのはなぜですか（ "-ffast-math"のみを除きます。これは明らかです。これは、私が理解しているように、定義上、浮動小数点演算の精度が低く、高速であるためです。 ）？

マシンと私のプログラムについてもう少し詳しく説明します。2*XeonX5650マシンはgcc4.4.3を搭載したUbuntuサーバーで、2（マザーボード上のCPU）X6（それぞれの実際のコア）* 2（ハイパースレッディング）=24スレッドマシンです。 、そして私の「実験」またはベンチマーク中に何かが実行されていました...

2 * Opteron4280マシンはgcc4.6.3を搭載したUbuntuサーバーであり、2（マザーボード上のCPU）X4（各あたりの実際のコア=ブルドーザーモジュール）* 2（AMDブルドーザースレッド=コアの種類）=18スレッドマシン、そして私はそれを私の素晴らしい「ベンチマーク」のためだけに使用していました...

私のベンチマークプログラムは単なるモンテカルロシミュレーションであり、最初はIOを実行し、その後、〜10^5のモートカルロループを実行して結果を取得します。したがって、整数と浮動小数点の両方の計算プログラムであると想定し、時々ループして、ランダムに生成された「結果」が私にとって十分に「良い」かどうかを確認します...プログラムはシングルスレッドであり、私はランダムジェネレータシードを含むすべてのベンチマーク（明らかですが、とにかく言及する必要があります）に対してまったく同じパラメータで起動していました（したがって、結果は100％同一でした）...プログラムはメモリインテンシブではありません。結果として得られるランタイムは、標準の「/ usr / bin/time」コマンドによる単なる「ユーザー」時間です。