教程｜在Julia编程中实现GPU加速（特斯拉模拟器中文版）

选自nextjournal，作者：Simon Danisch，机器之心编译，参与：高璇、刘晓坤。

GPU 的并行线程可以大幅提升速度，但也使得代码编写变得更复杂。而 Julia 作为一种高级脚本语言，允许在其中编写内核和环境代码，并可在大多数 GPU 硬件上运行。本文旨在介绍 GPU 的工作原理，详细说明当前的 Julia GPU 环境，以及展示如何轻松运行简单 GPU 程序。

为了简化操作，可以在 nextjournal 上注册账户，点击「edit」即可直接运行文章中的简单代码了。

注册地址：https://nextjournal.com/signup

首先，什么是 GPU？

GPU 是一种大型并行处理器，有几千个并行处理单元。例如，本文使用的 Tesla k80，能提供 4992 个并行 CUDA 核。GPU 在频率、延迟和硬件性能方面与 CPU 有很大的不同，但实际上 Tesla k80 有点类似于具有 4992 核的慢速 CPU。

能够启动的并行线程可以大幅提升速度，但也令使用 GPU 变得更困难。当使用这种未加处理的能量时，会出现以下缺点：

GPU 是一种有专属内存空间和不同架构的独立硬件。因此，从 RAM 到 GPU 内存（VRAM，显存）的传输时间很长。甚至在 GPU 上启动内核（调用调度函数）也会带来很大的延迟，对于 GPU 而言是 10us 左右，而对于 CPU 只有几纳秒。
在没有高级封装的情况下，建立内核会变得复杂。
低精度是默认值，高精度的计算可以很容易地消除所有性能增益。
GPU 函数（内核）本质上是并行的，所以编写 GPU 内核不比编写并行 CPU 代码容易，而且硬件上的差异增加了一定的复杂性。
与上述情况相关的很多算法都不能很好地迁移到 GPU 上。想要了解更多的细节，请看这篇博文：https://streamhpc.com/blog/2013-06-03/the application-areas-opencl- cuda-can- used/。
内核通常是用 C/ C 语言编写的，但这并不是写算法的最好语言。
CUDA 和 OpenCL 之间有差异，OpenCL 是编写底层 GPU 代码的主要框架。虽然 CUDA 只支持英伟达硬件，OpenCL 支持所有硬件，但并不精细。要看个人需求进行选择。

而 Julia 作为一种高级脚本语言，允许在其中编写内核和环境代码，同时可在大多数 GPU 硬件上运行！

GPUArrays

大多数高度并行的算法都需要同时处理大量数据，以克服所有的多线程和延迟损耗。因此，大多数算法都需要数组来管理所有数据，这就需要一个好的 GPU 数组库作为关键的基础。

GPUArrays.jl 是 Julia 为此提供的基础。它实现了一个专门用于高度并行硬件的抽象数组。它包含了设置 GPU、启动 Julia GPU 函数、提供一些基本数组算法等所有必要功能。

抽象意味着它需要以 CuArrays 和 CLArrays 的形式实现。由于继承了 GPUArrays 的所有功能，它们提供的接口完全相同。唯一的区别出现在分配数组时，这会强制用户决定这一数组是存在于 CUDA 还是 OpenCL 设备上。关于这一点的更多信息，请参阅「内存」部分。

GPUArrays 有助于减少代码重复，因为它允许编写独立于硬件的 GPU 内核，这些内核可以通过 CuArrays 或 CLArrays 编译到本地的 GPU 代码。因此，大多通用内核可以在从 GPUArrays 继承的所有包之间共享。

选择小贴士：CuArrays 只支持 Nvidia GPU，而 CLArrays 支持大多数可用的 GPU。CuArrays 比 CLArrays 更稳定，可以在 Julia 0.7 上使用。速度上两者大同小异。我建议都试一试，看看哪种最有效。

本文中，我将选择 CuArrays，因为本文是在 Julia 0.7 / 1.0 上编写的，CLArrays 暂不支持。

性能

用一个简单的交互式代码示例来快速说明：为了计算 julia 集合（曼德勃罗集合），我们必须要将计算转移到 GPU 上。

using CuArrays, FileIO, Colors, GPUArrays, BenchmarkTools using CuArrays: CuArray """ The function calculating the Julia set """ function juliaset(z0, maxiter) c = ComplexF32(-0.5, 0.75) z = z0 for i in 1:maxiter abs2(z) > 4f0 && return (i - 1) % UInt8 z = z * z c end return maxiter % UInt8 # % is used to convert without overflow check end range = 100:50:2^12 cutimes, jltimes = Float64[], Float64[] function run_bench(in, out) # use dot syntax to apply `juliaset` to each elemt of q_converted # and write the output to result out .= juliaset.(in, 16) # all calls to the GPU are scheduled asynchronous, # so we need to synchronize GPUArrays.synchronize(out) end # store a reference to the last results for plotting last_jl, last_cu = nothing, nothing for N in range w, h = N, N q = [ComplexF32(r, i) for i=1:-(2.0/w):-1, r=-1.5:(3.0/h):1.5] for (times, Typ) in ((cutimes, CuArray), (jltimes, Array)) # convert to Array or CuArray - moving the calculation to CPU/GPU q_converted = Typ(q) result = Typ(zeros(UInt8, size(q))) for i in 1:10 # 5 samples per size # benchmarking macro, all variables need to be prefixed with $ t = Base.@elapsed begin run_bench(q_converted, result) end global last_jl, last_cu # we're in local scope if result isa CuArray last_cu = result else last_jl = result end push!(times, t) end end end cu_jl = hcat(Array(last_cu), last_jl) cmap = colormap("Blues", 16 1) color_lookup(val, cmap) = cmap[val 1] save("results/juliaset.png", color_lookup.(cu_jl, (cmap,)))

using Plots; plotly() x = repeat(range, inner = 10) speedup = jltimes ./ cutimes Plots.scatter( log2.(x), [speedup, fill(1.0, length(speedup))], label = ["cuda" "cpu"], markersize = 2, markerstrokewidth = 0, legend = :right, xlabel = "2^N", ylabel = "speedup" )

对于大型数组，通过将计算转移到 GPU，可以稳定地将速度提高 60-80 倍。获得此加速和将 Julia 数组转换为 GPUArray 一样简单。

有人可能认为 GPU 性能会受到像 Julia 这样的动态语言影响，但 Julia 的 GPU 性能应该与 CUDA 或 OpenCL 的原始性能相当。Tim Besard 在集成 LLVM Nvidia 编译流程方面做得很好，能够实现与纯 CUDA C 语言代码相同（有时甚至更好）的性能。他在博客（https://devblogs.nvidia.com/gpu-computing-julia-programming-language/）中作了进一步解释。CLArrays 方法有点不同，它直接从 Julia 生成 OpenCL C 代码，代码性能与 OpenCL C 相同！

为了更好地了解性能并与多线程 CPU 代码进行比对，我整理了一些基准：https://github.com/JuliaGPU/GPUBenchmarks.jl/blob/master/results/results.md

内存

GPU 具有自己的存储空间，包括显存（VRAM）、不同的高速缓存和寄存器。无论做什么，运行前都要先将 Julia 对象转移到 GPU。并非 Julia 中的所有类型都可以在 GPU 上运行。

首先让我们看一下 Julia 的类型：

struct Test # an immutable struct # that only contains other immutable, which makes # isbitstype(Test) == true x::Float32 end # the isbits property is important, since those types can be used # without constraints on the GPU! @assert isbitstype(Test) == true x = (2, 2) isa(x, Tuple{Int, Int}) # tuples are also immutable mutable struct Test2 #-> mutable, isbits(Test2) == false x::Float32 end struct Test3 # contains a heap allocation/ reference, not isbits x::Vector{Float32} y::Test2 # Test2 is mutable and also heap allocated / a reference end Vector{Test} # <- An Array with isbits elements is contigious in memory Vector{Test2} # <- An Array with mutable elements is basically an array of heap pointers. Since it just contains cpu heap pointers, it won't work on the GPU.

"Array{Test2,1}"

所有这些 Julia 类型在传输到 GPU 或在 GPU 上创建时表现不同。下表概述了预期结果：

创建位置描述对象是在 CPU 上创建的，然后转移到 GPU 内核上，或者本身就由内核内部的 GPU 创建。该表显示创建类型的实例是否可行，对于从 CPU 到 GPU 的转移，该表还说明了对象是否能通过参照进行复制或传递。

垃圾收集

当使用 GPU 时，要注意 GPU 上没有垃圾收集器（GC）。这不会造成太大影响，因为写入 GPU 的高性能内核不应该创建任何 GC-跟踪的内存作为起始。

在 GPU 上实现 GC 不无可能，但请记住，每个执行内核都是大规模并行的。在大约 1000 个 gpu 线程中的每一个创建和跟踪大量堆内存就会马上破坏性能增益，因此实现 GC 是得不偿失的。

使用 GPUArrays 可以作为在内核中分配数组的替代方法。GPUArray 构造函数将创建 GPU 缓冲区并将数据转移到 VRAM。如果调用 Array(gpu_array)，数组将被转移回 RAM，变为普通的 Julia 数组。这些 gpu 数组的 Julia 操作由 Julia 的 GC 跟踪，如果不再使用，GPU 内存将被释放。

因此，只能在设备上使用堆栈分配，并且只能被其他的预先分配的 GPU 缓冲区使用。由于转移代价很高，因此在编写 GPU 时，往往要尽可能重用和预分配。

GPUArray 构造函数

using CuArrays, LinearAlgebra # GPU Arrays can be constructed from all Julia arrays containing isbits types! A1D = cu([1, 2, 3]) # cl for CLArrays A1D = fill(CuArray{Int}, 0, (100,)) # CLArray for CLArrays # Float32 array - Float32 is usually preferred and can be up to 30x faster on most GPUs than Float64 diagonal_matrix = CuArray{Float32}(I, 100, 100) filled = fill(CuArray, 77f0, (4, 4, 4)) # 3D array filled with Float32 77 randy = rand(CuArray, Float32, 42, 42) # random numbers generated on the GPU # The array constructor also accepts isbits iterators with a known size # Note, that since you can also pass isbits types to a gpu kernel directly, in most cases you won't need to materialize them as an gpu array from_iter = CuArray(1:10) # let's create a point type to further illustrate what can be done: struct Point x::Float32 y::Float32 end Base.convert(::Type{Point}, x::NTuple{2, Any}) = Point(x[1], x[2]) # because we defined the above convert from a tuple to a point # [Point(2, 2)] can be written as Point[(2,2)] since all array # elements will get converted to Point custom_types = cu(Point[(1, 2), (4, 3), (2, 2)]) typeof(custom_types)

"CuArray{point,1}"

数组操作

我们已经定义了许多操作。最重要的是，GPUArrays 支持 Julia 的融合点广播表示法（fusing dot broadcasting notation）。此表示法允许你将函数应用于数组的每个元素，并使用 f 的返回值创建新数组。此功能通常称为映射（map）。broadcast 指的是形状各异的数组被 broadcast 成相同形状。

工作原理如下：

x = zeros(4, 4) # 4x4 array of zeros y = zeros(4) # 4 element array z = 2 # a scalar # y's 1st dimension gets repeated for the 2nd dimension in x # and the scalar z get's repeated for all dimensions # the below is equal to `broadcast( , broadcast( , xx, y), z)` x . y . z

发生「融合」是因为 Julia 编译器会重写该表达式为一个传递调用树的 lazy broadcast 调用，然后可以在循环遍历数组之前将整个调用树融合到一个函数中。

如果你想要更详细的了解 broadcast，可以看该指南：julia.guide/broadcasting。

这意味着在不分配堆内存（仅创建 isbits 类型）的情况下运行的任何 Julia 函数，都可以应用于 GPUArray 的每个元素，并且多点调用会融合到一个内核调用中。由于内核调用会有很大延迟，所以这种融合是一个非常重要的优化。

using CuArrays A = cu([1, 2, 3]) B = cu([1, 2, 3]) C = rand(CuArray, Float32, 3) result = A . B .- C test(a::T) where T = a * convert(T, 2) # convert to same type as `a` # inplace broadcast, writes directly into `result` result .= test.(A) # custom function work # The cool thing is that this composes well with custom types and custom functions. # Let's go back to our Point type and define addition for it Base.:( )(p1::Point, p2::Point) = Point(p1.x p2.x, p1.y p2.y) # now this works: custom_types = cu(Point[(1, 2), (4, 3), (2, 2)]) # This particular example also shows the power of broadcasting: # Non array types are broadcasted and repeated for the whole length result = custom_types . Ref(Point(2, 2)) # So the above is equal to (minus all the allocations): # this allocates a new array on the gpu, which we can avoid with the above broadcast broadcasted = fill(CuArray, Point(2, 2), (3,)) result == custom_types . broadcasted

true

GPUArrays 支持更多操作：

实现 GPU 数组转换为 CPU 数组和复制
多维索引和切片 (xs[1:2, 5, :])
permutedims
串联 (vcat(x, y), cat(3, xs, ys, zs))
映射，融合 broadcast(zs .= xs.^2 . ys .* 2)
填充 (CuArray, 0f0, dims)，填充 (gpu_array, 0)
减小尺寸 (reduce( , xs, dims = 3), sum(x -> x^2, xs, dims = 1)
缩减为标量 (reduce(*, xs), sum(xs), prod(xs))
各种 BLAS 操作 (matrix*matrix, matrix*vector)
FFT，使用与 julia 的 FFT 相同的 API

GPUArrays 实际应用

让我们直接看一些很酷的实例。

GPU 加速烟雾模拟器是由 GPUArrays CLArrays 创建的，可在 GPU 或 CPU 上运行，GPU 版本速度提升 15 倍：

还有更多的例子，包括求微分方程、FEM 模拟和求解偏微分方程。

演示地址：https://juliagpu.github.io/GPUShowcases.jl/latest/index.html

让我们通过一个简单的机器学习示例，看看如何使用 GPUArrays：

using Flux, Flux.Data.MNIST, Statistics using Flux: onehotbatch, onecold, crossentropy, throttle using Base.Iterators: repeated, partition using CuArrays # Classify MNIST digits with a convolutional network imgs = MNIST.images() labels = onehotbatch(MNIST.labels(), 0:9) # Partition into batches of size 1,000 train = [(cat(float.(imgs[i])..., dims = 4), labels[:,i]) for i in partition(1:60_000, 1000)] use_gpu = true # helper to easily switch between gpu/cpu todevice(x) = use_gpu ? gpu(x) : x train = todevice.(train) # Prepare test set (first 1,000 images) tX = cat(float.(MNIST.images(:test)[1:1000])..., dims = 4) |> todevice tY = onehotbatch(MNIST.labels(:test)[1:1000], 0:9) |> todevice m = Chain( Conv((2,2), 1=>16, relu), x -> maxpool(x, (2,2)), Conv((2,2), 16=>8, relu), x -> maxpool(x, (2,2)), x -> reshape(x, :, size(x, 4)), Dense(288, 10), softmax) |> todevice m(train[1][1]) loss(x, y) = crossentropy(m(x), y) accuracy(x, y) = mean(onecold(m(x)) .== onecold(y)) evalcb = throttle(() -> @show(accuracy(tX, tY)), 10) opt = ADAM(Flux.params(m));

# train for i = 1:10 Flux.train!(loss, train, opt, cb = evalcb) end

using Colors, FileIO, ImageShow N = 22 img = tX[:, :, 1:1, N:N] println("Predicted: ", Flux.onecold(m(img)) .- 1) Gray.(collect(tX[:, :, 1, N]))

只需将数组转换为 GPUArrays（使用 gpu(array），就可以将整个计算移动到 GPU 并获得可观的速度提升。这要归功于 Julia 复杂的 AbstractArray 基础架构，使 GPUArray 可以无缝集成。随后，如果省略转换为 GPUArray 这一步，代码会按普通的 Julia 数组处理，但仍在 CPU 上运行。可以尝试将 use_gpu = true 改为 use_gpu = false，重新运行初始化和训练单元格。对比 GPU 和 CPU，CPU 运行时间为 975 秒，GPU 运行时间为 29 秒，速度提升约 33 倍。

另一个优势是为了有效地支持神经网络的反向传播，GPUArrays 无需明确地实现自动微分。这是因为 Julia 的自动微分库适用于任意函数，并存有可在 GPU 上高效运行的代码。这样即可利用最少的开发人员就能在 GPU 上实现 Flux，并使 Flux GPU 能够高效实现用户定义的功能。这种开箱即用的 GPUArrays Flux 不需要协调，这是 Julia 的一大特点，详细解释如下：为什么 Numba 和 Cython 不能代替 Julia（http://www.stochasticlifestyle.com/why）。

编写 GPU 内核

一般情况，只使用 GPUArrays 的通用抽象数组接口即可，而不需要编写任何 GPU 内核。但是有些时候，可能需要在 GPU 上实现一个无法通过一般数组算法组合表示的算法。

好消息是，GPUArrays 通过分层法消除了大量工作，可以实现从高级代码开始，编写类似于大多数 OpenCL / CUDA 示例的低级内核。同时可以在 OpenCL 或 CUDA 设备上执行内核，从而提取出这些框架中的所有差异。

实现上述功能的函数名为 gpu_call。调用语句为 gpu_call(kernel, A::GPUArray, args)，在 GPU 上使用参数 (state, args...) 调用 kernel。State 是一个用于实现获取线程索引等功能的后端特定对象。GPUArray 需要作为第二个参数传递，以分配到正确的后端并提供启动参数的默认值。

让我们使用 gpu_call 来实现一个简单的映射内核：

using GPUArrays, CuArrays # Overloading the Julia Base map! function for GPUArrays function Base.map!(f::Function, A::GPUArray, B::GPUArray) # our function that will run on the gpu function kernel(state, f, A, B) # If launch parameters aren't specified, linear_index gets the index # into the Array passed as second argument to gpu_call (`A`) i = linear_index(state) if i <= length(A) @inbounds A[i] = f(B[i]) end return end # call kernel on the gpu gpu_call(kernel, A, (f, A, B)) end

简单来说，这将在 GPU 上并行调用 julia 函数 kernel length(A) 次。kernel 的每个并行调用都有一个线程索引，可以利用它索引到数组 A 和 B。如果计算索引时没有使用 linear_index，就需要确保没有多个线程读取和写入相同的数组位置。因此，如果在纯 Julia 中使用线程编写，可等效如下：

using BenchmarkTools function threadded_map!(f::Function, A::Array, B::Array) Threads.@threads for i in 1:length(A) A[i] = f(B[i]) end A end x, y = rand(10^7), rand(10^7) kernel(y) = (y / 33f0) * (732.f0/y) # on the cpu without threads: single_t = @belapsed map!($kernel, $x, $y) # "on the CPU with 4 threads (2 real cores): thread_t = @belapsed threadded_map!($kernel, $x, $y) # on the GPU: xgpu, ygpu = cu(x), cu(y) gpu_t = @belapsed begin map!($kernel, $xgpu, $ygpu) GPUArrays.synchronize($xgpu) end times = [single_t, thread_t, gpu_t] speedup = maximum(times) ./ times println("speedup: $speedup") bar(["1 core", "2 cores", "gpu"], speedup, legend = false, fillcolor = :grey, ylabel = "speedup")

由于该函数未实现过多内容，也得不到更多的扩展，但线程化和 GPU 版本仍然有一个很好的加速。

GPU 与线程示例相比，能显示更复杂的内容，因为硬件线程是以线程块的形式分布的，gpu_call 是从简单版本中提取出来的，但它也可以用于更复杂的启动配置：

using CuArrays threads = (2, 2) blocks = (2, 2) T = fill(CuArray, (0, 0), (4, 4)) B = fill(CuArray, (0, 0), (4, 4)) gpu_call(T, (B, T), (blocks, threads)) do state, A, B # those names pretty much refer to the cuda names b = (blockidx_x(state), blockidx_y(state)) bdim = (blockdim_x(state), blockdim_y(state)) t = (threadidx_x(state), threadidx_y(state)) idx = (bdim .* (b .- 1)) . t A[idx...] = b B[idx...] = t return end println("Threads index: \n", T) println("Block index: \n", B)