深入探讨
CUDA 将工作组织成网格、块和线程。内核是跨 GPU 线程启动的函数。 SIMT 意味着线程组对每个线程的数据执行指令；扭曲内的发散会降低效率。全局内存合并很重要，因为访问附近地址的相邻线程可以得到有效的服务。共享内存可以实现重用，但需要显式同步和仔细布局。框架通常调用 CUDA 库，而不要求用户编写原始 CUDA。
现实世界的实施
在线程块网格上启动内核。
当块中的线程可以重用数据时，使用共享内存。
分析时检查内存事务和占用情况。
当更高级别的库实现所需的操作时，使用它们。
CUDA 和 GPU 编程的未来
CUDA 工具和抽象不断发展。在维护自定义内核之前，对目标硬件进行分析并比较优化的库或编译器生成的实现。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是 CUDA 和 GPU 编程？
CUDA是NVIDIA的并行计算平台和编程模型，用于在GPU上运行内核。
在 CUDA 术语中，什么是“内核”？
在 CUDA 中，内核是一个在数千个 GPU 线程上同时执行的函数，每个线程处理不同的数据。
SIMT执行模型是什么意思？
SIMT（单指令、多线程）意味着多组线程对不同的数据执行相同的指令，非常适合矩阵数学。
为什么 PyTorch 和 TensorFlow 很少要求用户编写原始 CUDA？
这些框架封装了高度优化的 CUDA 库（cuDNN、cuBLAS），因此用户无需编写低级内核即可获得 GPU 加速。
什么是“扭曲发散”？为什么它会损害性能？
一个 warp 是一组（通常是 32 个）线程；如果它们采用不同的分支，硬件会将路径串行化，从而浪费并行吞吐量。
为什么“合并”内存访问在 CUDA 中很重要？
当相邻线程访问相邻内存地址时，硬件可以组合这些读取，从而显着提高内存吞吐量。