---

前言

怎么才能看出使用cuda编程，提高了程序的性能，一般都是通过比较程序运行的时间来验证。所以熟悉程序的运行时间的计时，可以查看优化的性能效果。

1.CUDA的计时程序

cuda提供了一种基于cuda事件的计时方式，在cuda编程书中介绍了如下的计时程序：

 // 定义变量
 cudaEvent_t start, stop;   
 // cudaEventCreate初始化变量
 CHECK(cudaEventCreate(&start));
 CHECK(cudaEventCreate(&stop));
 // 在计时的代码块之前要记录一个代表开始的事件
 CHECK(cudaEventRecord(start));
 // 需要添加cudaEventQuery操作刷新队列,才能促使前面的操作在GPU上执行
 cudaEventQuery(start); // 不用CHECK,返回值不对但不代表程序出错
 // 需要计时的代码块
 add<<<grid_size, block_size>>>(d_x, d_y, d_z, N); 
 // 在计时的代码块结束要记录一个代表结束的事件
 CHECK(cudaEventRecord(stop));
 // 要让主机等待事件stop被记录完毕
 CHECK(cudaEventSynchronize(stop));
 // 计算程序执行的时间差
 float elapsed_time;
 CHECK(cudaEventElapsedTime(&elapsed_time, start, stop));
 printf("Time = %g ms.\n", elapsed_time);
 // 销毁start和stop事件
 CHECK(cudaEventDestroy(start));
 CHECK(cudaEventDestroy(stop));

2.CUDA程序的计时

重复计时10次,计算平均值和误差。忽略第一次.第一次机器在CPU或者GPU上可能处于预热状态,测得的时间往往偏大.
在前面数组相加的程序里修改:

    float t_sum = 0;
    float t2_sum = 0;
    for (int repeat = 0; repeat <= NUM_REPEATS; ++repeat)
    {
        cudaEvent_t start, stop;
        CHECK(cudaEventCreate(&start));
        CHECK(cudaEventCreate(&stop));
        CHECK(cudaEventRecord(start));
        cudaEventQuery(start);

        add<<<grid_size, block_size>>>(d_x, d_y, d_z, N);

        CHECK(cudaEventRecord(stop));
        CHECK(cudaEventSynchronize(stop));
        float elapsed_time;
        CHECK(cudaEventElapsedTime(&elapsed_time, start, stop));
        printf("Time = %g ms.\n", elapsed_time);
			 // 忽略第一次.第一次机器可能处于预热状态,测得的时间往往偏大.
        if (repeat > 0)
        {
            t_sum += elapsed_time;
            t2_sum += elapsed_time * elapsed_time;
        }

        CHECK(cudaEventDestroy(start));
        CHECK(cudaEventDestroy(stop));
    }

这里在使用nvcc编译的时候，要在命令行添加-O3指令，是一个优化等级，表示三等级的优化，能够提升c++程序运行的性能。使用优化指令和不用相差比较大，大概2-3倍的样子。

影响GPU加速的关键

在上面的使用计时程序对cuda的核函数计时中，在使用单精度和双精度来对比运行时间，发现在GeForce RTX2080Ti上，双精度是单精度运行时间的差不多两倍关系。
定义使用双精度和单精度浮点数计算的程序:

//  在源程序中使用条件编译,定义双精度和单精度
#ifdef USE_DP
    typedef double real; // 给double和float类型取别名,方便直接使用real,后面统一做类型的修改
    const real EPSILON = 1.0e-15;
#else
    typedef float real;
    const real EPSILON = 1.0e-6f;
#endif

在编译时,使用命令行输入-D USE_UP可以指定选择使用双精度浮点数进行计算

使用单精度：

使用双精度：

上面的仅仅是计算的核函数里程序的运行时间，没有计算相对于c++程序里的内存分配和数据传递的时间。使用单精度，如果将数据传输的时候开始计时，发现cuda程序耗时显著增加。

运行时间：

而单单使用cpu的程序，运行时间：

可以发现：

• cuda程序里，数组相加，使用核函数所占的时间比很小，基本都是数据传输消耗了较多的时间。相对于直接使用cpu来说，可能性能得不到提升。
  在cuda工具箱中，可以使用nvprof指令，去查看程序各部分执行时间的消耗情况：
  很直观的可以分析出数据传输占据了主要的执行时间，核函数最大消耗的时间才用了2.1864ms占总的时间的0.81%。

综上可以发现，数据在主机和设备之间的传输消耗的时间比较大。那为什么说使用cuda性能能得到提升呢？

• 通过核函数的时间对比，可知在GPU上存在很多核心，计算速度要比CPU上快的多。而应该是数组相加这个操作太简单了，所以在直观上体现不了cuda的加速情况。后面通过使用较为复杂的浮点数运算，证明cuda能够很大程度的提升程序的性能。还有就是既然数据传输占总的时间很大，只要在复杂的操作中，开始进行一次的传输，后面尽量避免大数据的传输，就可以获得可观的性能提升。

这里总结一下，影响GPU加速的关键就是两点：
（1）数据传输的比例：多在GPU上进行计算，避免过多的数据传输，数据经过PCIe传递。
（2）浮点数计算的算术强度：复杂的浮点运算选择在GPU上进行。

书中还提到了，不同型号的GPU在单精度和双精度上两者执行时间的比值，对于算术强度较高的问题，在使用双精度浮点运算时，Tesla系列的GPU相对于GeForce系列的GPU更具有优势。在单精度上都产不多，GeForce系列的GPU更具有性价比。

总结

cuda程序执行的计时方式和GPU性能加速的分析
参考：
如博客内容有侵权行为，可及时联系删除！
CUDA 编程：基础与实践
https://docs.nvidia.com/cuda/
https://docs.nvidia.com/cuda/cuda-runtime-api
https://github.com/brucefan1983/CUDA-Programming