> 文档中心 > 高效、易用、可拓展我全都要:OneFlow CUDA Elementwise模板库的设计优化思路

高效、易用、可拓展我全都要:OneFlow CUDA Elementwise模板库的设计优化思路

66c1db8bc8a1185f3ac790b112a1cecd.png

撰文|郑泽康、姚迟、郭冉、柳俊丞

逐元素操作(也叫 Elementwise 操作)是指对 Tensor 中的每个元素应用一个函数变换,得到最终输出结果。在深度学习里,有很多算子属于 Elementwise 算子范畴,比如常用的激活函数(如ReLU、GELU ),ScalarMultiply(对 Tensor 每个元素都乘上一个标量)等操作。

为此,OneFlow 针对这种 Elementwise 操作抽象出一套 CUDA 模板,开发者只需把计算逻辑封装到一个结构体内,即可获得一个 CUDA Elementwise 算子,以 ReLU 为例:

// Write ReLU Functor. templatestruct ReluFunctor {  OF_DEVICE_FUNC T operator()(T x) const {    const T zero_val = static_cast(0);     return (x > zero_val) ? x : zero_val;   }};// Use CUDA Elementwise Template. OF_CUDA_CHECK((cuda::elementwise::Unary(ReluFunctor(), elem_cnt, dx->mut_dptr(),                                        x->dptr(), ctx->stream()->As()->cuda_stream())));

这样一套简单易用的 Elementwise 模板不仅提高了开发效率,也能保证计算性能。我们在 NVIDIA A100 40GB 环境下使用 Nsight Compute,和 PyTorch 的 Cast 算子进行测试,测试用例是将 float32 类型的 Tensor 转换为 half 类型,比较两者的运行时间和带宽,在各个数据形状情况下,OneFlow 均能比 PyTorch快 80-90%,并接近机器理论带宽。

5837abc882ac26a58f568dabd7aa0312.png

dae45781a07eaa7774fbd7d974f7db53.png

下面我们会逐个介绍这套模板的设计思路以及优化技巧。

1

设置合理的 BlockSize 和 GridSize

关于设置线程块个数和线程数量的问题,我们在《如何设置CUDA Kernel中的grid_size和block_size?》一文中有讨论过,这里我们的设置规则还稍微有点区别。在CUDA 官方文档 Compute Capabilities(https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#compute-capabilities)中提到了:

  • 主流架构里,每个 Block 最大寄存器数量是 64 K

  • 每个线程所能使用的最大寄存器数量是 255 个

在使用最大寄存器数量的前提下,那每个 Block 最多能启动 64 * 1024 / 255 = 256 个线程(往2的倍数取整),因此这里我们设定了一个常量 constexpr int kBlockSize = 256;。而 Grid Size 大小的设置规则在 GetNumBlocks 这个函数中:

constexpr int kBlockSize = 256constexpr int kNumWaves = 32;inline cudaError_t GetNumBlocks(int64_t n, int* num_blocks) {  ...  /*  n: The number of the elements.   sm_count: The number of the SM.   tpm: The maximum resident threads in per multiprocessor.   */  *num_blocks = std::max(1, std::min((n + kBlockSize - 1) / kBlockSize,                                                   sm_count * tpm / kBlockSize * kNumWaves));  return cudaSuccess;}
  • 线程块最小个数为1

  • 线程块最大个数是从 处理所有元素所需最小的线程总数 和 wave 数目*GPU 一次可以调度 SM 数量 * 每个 SM 最大 block 数 中取最小值,这里我们的 wave 数目设置为固定32大小

在数据量较小的情况下,不会启动过多的线程块。在数据量较大的情况下,尽可能将线程块数目设置为数量足够多的整数个 wave,以保证 GPU 实际利用率够高。

2

使用向量化操作

大部分 Elementwise 算子的计算逻辑较为简单,瓶颈主要是在带宽利用上。英伟达的博客CUDA Pro Tip: Increase Performance with Vectorized Memory Access(https://developer.nvidia.com/blog/cuda-pro-tip-increase-performance-with-vectorized-memory-access/)提到,使用向量化操作能够提升读写的带宽,而 CUDA 里也提供了一系列数据类型来支持向量化操作,如float2,float4,就是将2个或4个 float 数据作为一个整体。在一些高性能训练推理库如 LightSeq 就使用了大量的 float4 类型:

template __global__ void ker_layer_norm(T *ln_res, T *vars, T *means, const T *inp,                               const T *scale, const T *bias, int hidden_size) {  // step 0. compute local sum  float l_sum = 0;  float l_square_sum = 0;  const float4 *inp_f4 = (const float4 *)inp + blockIdx.x * hidden_size; // use float4  for (uint idx = threadIdx.x; idx < hidden_size; idx += blockDim.x) {    float4 val = inp_f4[idx];    ...  }}

在实际中,我们的算子需要支持不同数据类型(如 int, half ),如果采用 CUDA 内置的向量化数据类型操作,显然要给每个算子写多个版本,增加了开发负担。为此我们实现了一个 Pack 数据结构,用于灵活支持不同数据类型的向量化。

我们先定义了一个 PackType 类型类型来代表向量化的数据,它代表的(向量化后的)数据大小为 sizeof(T) * pack_size。

templatestruct GetPackType {  using type = typename std::aligned_storage::type;};templateusing PackType = typename GetPackType::type;

然后实现了一个 union 类型 Pack,它内部定义了 PackType storage; 来占用空间:

templateunion Pack {  static_assert(sizeof(PackType) == sizeof(T) * pack_size, "");  __device__ Pack() {    // do nothing  }  PackType storage;  T elem[pack_size];};

与 storage 共享内存的,还有 T elem[pack_size]; 。这样方便后续的 Elementwise 操作:在后续计算里,我们对 elem 数组中的每个元素都应用 functor,得到输出结果。

CUDA 里最大支持128 bit 的 pack 大小,而在浮点数据类型中,最小的类型(half)大小为16 bit,最多能把128 / 16=8 个 half 数据 pack 到一起,因此我们设置了这两个常量,kMaxPackBytes 表示 pack 最大字节数,kMaxPackSize 表示 pack 数据的最大个数:

constexpr int kMaxPackBytes = 128 / 8;constexpr int kMaxPackSize = 8;

3

调用链

跟踪 oneflow/core/cuda/elementwise.cuh 中的实现,会发现,这套模板会分别为一元、二元、三元的 Elementwise 提供接口:Unary、Binary、Ternary,文章开始处的 ReLU 算子就使用了 Unary 的接口。进一步分析可以发现,它们经过层层调用后,其实最终都会调用到 ApplyGeneric,基本调用关系如下:

Unary/Binary/Ternary  -> xxxFactory     -> GenericLauncher::Launch       -> ApplyGeneric(CUDA Kernel)

ApplyGeneric 这个 CUDA Kernel 中所做的主要工作是:

  • 根据参数创建一个 functor

  • 进入循环,针对打包(pack)后的数据,调用 ApplyPack 函数,每调用一次 ApplyPack,就处理一批 pack 后的数据

  • 当最后存在元素个数不能被 pack_size 整除的情况时,需要让线程处理下尾部剩余元素

实现代码如下:

template__global__ void __launch_bounds__(kBlockSize)    ApplyGeneric(FactoryT factory, int64_t n_pack, PackType* pack_r,                 const PackType*... pack_in, int64_t n_tail, R* tail_r,                 const IN*... tail_in) {  auto functor = factory();  const int global_tid = blockIdx.x * kBlockSize + threadIdx.x;  for (int64_t i = global_tid; i < n_pack; i += blockDim.x * gridDim.x) {    pack_r[i] = ApplyPack(        functor, (FetchPack(pack_in + i).elem)...);  }  if (tail && global_tid < n_tail) { tail_r[global_tid] = functor((tail_in[global_tid])...); }}

ApplyPack函数定义如下,它对一个 pack 内的元素做了个循环,对 elem 数组中的每个元素调用 functor ,得到输出结果并返回:

template__device__    typename std::enable_if<HasApply2::value == false, PackType>::type    ApplyPack(const FunctorT& functor, const IN... in[pack_size]) {  Pack ret;#pragma unroll  for (int j = 0; j < pack_size; ++j) { ret.elem[j] = functor((in[j])...); }  return ret.storage;}

整个 Elementwise 算子调用流程如下所示:

3dd7696a512c5f09702fb5146fd797d1.png

4

针对 half2 数据类型优化

在 half 数据类型下,如果直接对其进行操作,其算子带宽是跟 float32 类型相当的。CUDA 官方有针对 half2 推出一系列特殊指令,如 hadd2 就可以实现两个 half2 数据的加法,进而提高吞吐量。

考虑到这种情况,OneFlow 给 ApplyPack 函数特化了一个版本,通过调用 functor 的 apply2 函数,来调用 half2 相关特殊指令,接口如下:

template__device__ typename std::enable_if<HasApply2::value == true && pack_size % 2 == 0,                                   PackType>::typeApplyPack(const FunctorT& functor, const IN... in[pack_size]) {  Pack ret;#pragma unroll  for (int j = 0; j < pack_size; j += 2) { functor.Apply2(ret.elem + j, (in + j)...); }  return ret.storage;}

以先前的 Cast 算子为例,我们在 CastFunctor 内部通过调用 __float22half2_rn 指令,将一个 float2 数据转换为一个 half2 数据。

templatestruct CastFunctor<half, From, typename std::enable_if<!std::is_same::value>::type> {  ...  __device__ void Apply2(half* to, const From* from) const {    float2 f2;    f2.x = static_cast(from[0]);    f2.y = static_cast(from[1]);    *reinterpret_cast(to) = __float22half2_rn(f2);  }};

5

扩展多元操作

前面已经提到,现有的 OneFlow 模板,将 Elementwise 算子进一步分为一元、二元、三元操作。并利用工厂模式,使得他们最终统一调用 ApplyGeneric。这种设计方式易于拓展:当需要支持更多输入的操作时,只需要编写对应的工厂即可。

templatestruct SimpleFactory {  explicit SimpleFactory(FunctorT functor) : tpl(functor) {}  __device__ FunctorT operator()() const { return tpl; } private:  FunctorT tpl;};templateinline cudaError_t UnaryWithFactory(FactoryT factory, int64_t n, R* r, const A* a,                                    cudaStream_t stream) {  return GenericLauncher::Launch(factory, n, r, a, stream);}templateinline cudaError_t Unary(FunctorT functor, int64_t n, R* r, const A* a, cudaStream_t stream) {  return UnaryWithFactory(SimpleFactory(functor), n, r, a, stream);}// BinaryWithFactory TernaryWithFactory ... // Binary Ternary ...

至此,OneFlow 的高性能 CUDA Elementwise 模板的设计,优化手段就介绍完毕,最后再来总结下这套模板的优势:

  • 性能够高,应用这套 Elementwise 模板的算子都能打满机器的带宽,速度也够快。

  • 开发效率高,开发人员可以不用过分关注 CUDA 逻辑及相关优化手段,只需要编写计算逻辑即可。

  • 可扩展性强,目前这套模板支持了一元,二元,三元操作。若今后有需求拓展,支持更多输入时,只需要仿照编写对应的工厂即可。

其他人都在看

  • 动态调度的“诅咒”

  • OneFlow四大训练赛题等你来战

  • 用OneFlow实现ISBI细胞分割任务

  • CUDA优化之LayerNorm性能优化实践

  • Credit-based Flow Control的前世今生

  • 计算机史最疯狂一幕:“蓝色巨人”奋身一跃

欢迎下载体验OneFlow新一代开源深度学习框架:https://github.com/Oneflow-Inc/oneflow/icon-default.png?t=LA92https://github.com/Oneflow-Inc/oneflow/

ed3bc3a07a45b5ba2ab3388d9533d117.png