这一年都在编写CUDA的程序，用了很多优化的手段，发现大部分其实还是官方的指南里面的手段
https://docs.nvidia.com/cuda/cuda-c-best-practices-guide/
https://developer.download.nvidia.cn/compute/cuda/1.1-Beta/x86_website/projects/reduction/doc/reduction.pdf
至于代码，多看CUDA自带的example就好了，挺好的代码
学会使用trust库
后面才发现有这个库的，具体效率没看过，但是发现很多我手写的代码trust里面都有，下次可以用用。
内存方面
CUDA里面，用nsight一看，有大部分时间都花在cudaMalloc,cudaMemcpy这一类的函数里面，所以如何减少这些函数调用是很重要的
减少cudaMalloc,cudaMemcpy的调用
cudaMalloc是很耗时的一个操作，我在优化雷达数据计算的时候，一份数据用CPU算要80ms，但是用GPU算只要10，如果用GTX1080ti的话也才6ms左右，但是单单cudaMalloc就用了10几ms.特别在多线程下，这个问题特别严重
所以不要轻易回收申请的GPU内存，能复用就复用，能实现一个简单的内存池最好
多线程同时操作内存
void func()
{
char *p = nullptr;
cudaMalloc((void**)&p, 1024 * 1024 * 10);
cudaFree(p);
}
int main()
{
std::thread t(func);
std::thread t2(func);
std::thread t3(func);
t.join();
t2.join();
t3.join();
}
上面的代码同时开启3个线程，申请了三块显存, 可以看到，每个malloc的申请都在100ms之间.我估计应该是产生竞争了
后来写代码发现，是每个线程在第一次执行CUDA的代码的时候，会比较慢。修改了代码，在代码前面加入create stream，发现createstream比较慢，而cudaMalloc快了点，但是依然有4-10ms的消耗，所以我估计还是有一定的竞争
而每个线程第一次调用CUDA函数会很慢是因为CUDA的每个线程需要初始化一些东西吧，找了版本也没找到相关的说明，有人说是context，但是从nsight里面看到，大部分的context都是一样的
将代码修改成串行申请内存，可以看到内存申请只有第一个比较耗时，第二个第三个都是很快的
void func()
{
char *p = nullptr;
cudaMalloc((void**)&p, 1024 * 1024 * 10);
cudaFree(p);
}
int main()
{
func();
func();
func();
}
拷贝内存
static const int malloc_size = 1024 * 1024 * 10;
void func()
{
cudaStream_t stream;
cudaStreamCreate(&stream);
char *gpu_mem = nullptr;
char *host_mem = (char*)malloc(malloc_size);
cudaMalloc((void**)&gpu_mem, malloc_size);
cudaMemcpy(gpu_mem, host_mem, malloc_size, cudaMemcpyHostToDevice);
cudaMemcpy(host_mem, gpu_mem, malloc_size, cudaMemcpyDeviceToHost);
cudaFree(gpu_mem);
free(host_mem);
}
开多线程拷贝
单线程拷贝内存
可以看到单线程的内存拷贝比较稳定，而多线程在2-10ms之间，不知道是不是因为多线程操作内存引起的部分等待
网上说 可以使用stream进行异步传输，于是修改代码，使用async的memcpy
cudaStream_t stream;
cudaStreamCreate(&stream);
char *gpu_mem = nullptr;
char *host_mem = (char*)malloc(malloc_size);
cudaMalloc((void**)&gpu_mem, malloc_size);
cudaMemcpyAsync(gpu_mem, host_mem, malloc_size, cudaMemcpyHostToDevice,stream);
cudaMemcpyAsync(host_mem, gpu_mem, malloc_size, cudaMemcpyDeviceToHost,stream);
cudaFree(gpu_mem);
free(host_mem);
最终结果，表示没啥鸟用，速度慢还是慢，从几张图的开始时间和结束时间来看，也没有看出什么异步的优势
pinned 内存
申请pinned内存耗时
拷贝pinned内存与拷贝非pinned内存对比
从上面图中可以看出，拷贝pinn内存基本是拷贝非pinn内存速度的7-9倍左右，效率提升还是很可观的
zero copy, shared memory
zero copy对我来讲几乎没什么用的东西，太过频繁在CPU和GPU写和读内存反而导致速度下降得很严重，最终被放弃了
shared memory对我来讲用处并不大，而且要修改太多的代码。我们代码里面主要时间还是花在GPU和CPU的交互，即使修改成使用shared memory最终估计也就优化几ms，没必要那么折腾
IO优化
IO优化主要是在三方面，知乎上的答案讲得很清楚了
gpu的io问题一直是比较严重的瓶颈，我自己总结有三种解决方案。
1.优化算法，选择更有效的存储方式，减少显存的使用。只拷贝必要数据，优化数据结构等等。
2.使用cuda内存优化技巧。比如显存整块申请和拷贝，使用pinned memory，shared memory,constant memory，使用流来掩盖内存延迟等等。
3.硬件解决方案，放弃pci-e，使用ibm的power架构和p100，直接用nv-link进行内存传输。这个方案是一劳永逸的，但是要准备好money，一整套下来很贵的。第三个方案一般整不起，前两个方案是算法和语言技巧方面，与算法本身有很大的关系。个人经验上来讲方案1提升的潜力比较大。
作者：杨伟光
链接：https://www.zhihu.com/question/52472621/answer/130949946
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
https://www.cnblogs.com/1024incn/p/5891051.html
最重要的
- 学会使用nvprof工具，优化这个才是关键
- 了解自己的程序是否适合做并行化，不了解自己的程序是否适合并行化的话，多读几本多线程相关的书籍，或者CPU内存操作优化的书籍,其实两者的优化思路都差不多.
- 注意一点，如果不熟悉CUDA的话，特别是那种执行本来只需要几百毫秒的算法，一部小心写出来的代码可能比CPU版本还慢，我们的雷达处理器就是一个很好的例子。最早要优化运算，CPU版本是200ms，我同事写出来的CUDA代码居然要300ms,后来经过我的优化，最后是60ms，主要是内存操作的优化