Différences

Ci-dessous, les différences entre deux révisions de la page.

--- formation:gpu4cbp [2023/03/10 11:05]
equemene [Comparaison de toutes les implémentations : victoire incontestée de OpenCL]
+++ formation:gpu4cbp [2024/02/22 11:47] (Version actuelle)
equemene [Récupération des sources]
@@ Ligne 359: / Ligne 359: @@
 svn checkout https://forge.cbp.ens-lyon.fr/svn/bench4gpu/
 </code>
+Si l'accès par subversion c'est pas possible, voici une version //tarball// de l'ensemble de l'archive : [[https://www.cbp.ens-lyon.fr/emmanuel.quemener/documents/bench4gpu.tgz|bench4gpu.tgz]]
 Dans ce dossier ''bench4gpu'', il y a plusieurs dossiers :
@@ Ligne 741: / Ligne 743: @@
   - la OpenACC reste supérieure aux implémentations OpenCL/CPU et OpenCL/GPU d'un facteur 3
-Se contenter uniquement de ce test inviterait à fuire Python/OpenCL. Cependant, nous avons vu dans sur ''MySteps_2.py'' que la charge calculatoire doit être "vraiement" significative pour que le Python/OpenCL l'emporte de manière significative. Nous reviendrons donc dans la suite sur des versions modifiées de ces programmes C intégrant la fonction de Mylq ''MySillyFunction'', appelée plusieurs fois, pour juger si "vraiment" Python/OpenCL reste compétitif face à OpenMP et OpenACC.
+Se contenter uniquement de ce test inviterait à fuire Python/OpenCL. Cependant, nous avons vu dans sur ''MySteps_2.py'' que la charge calculatoire doit être "vraiment" significative pour que le Python/OpenCL l'emporte de manière significative. Nous reviendrons donc dans la suite sur des versions modifiées de ces programmes C intégrant la fonction de Mylq ''MySillyFunction'', appelée plusieurs fois, pour juger si Python/OpenCL reste compétitif face à OpenMP et OpenACC.
 ===== Un intermède CUDA et son implémentation PyCUDA =====
@@ Ligne 872: / Ligne 874: @@
   * ''MySteps_6_openmp.c'' : implémentation OpenMP en C
   * ''MySteps_6_openacc.c'' : implémentation OpenACC en C
-  * ''MySteps_6.py'' : implémentations Numpy native, OpenCL et CUDA en Python
+  * ''MySteps_6.py'' : implémentations Numpy, OpenCL et CUDA en Python
 Les trois implémentations en C ont comme argument la taille et le nombre d'applications de la fonction de Mylq.
@@ Ligne 885: / Ligne 887: @@
   * ''-n'' la suspension de l'exécution en "mode natif"
-Ainsi, pour une exécution sur une machine disposant d'un GPU avec 6GB de RAM, l'exécution de ''./MySteps_6.py -d 0 -g OpenCL -s $((2**25)) -c 10'' donne :<code>
+Ainsi, pour une exécution sur une machine disposant d'un GPU avec 6GB de RAM, l'exécution de <code>./MySteps_6.py -d 0 -g OpenCL -s $((2**25)) -c 10</code> donne :<code>
 Device Selection : 0
 GpuStyle used : OpenCL
@@ Ligne 914: / Ligne 916: @@
 </code>
-Ainsi, dans cette machine, l'exécution Python/OpenCL est 271 fois plus rapide sur le GPU qu'en Python natif. Si nous désirons "rester" sur le CPU, les résultats sont aussi éloquents. L'exécution de ''./MySteps_6.py -d 4 -g OpenCL -s $((2**25)) -c 10'' sur son processeur assez ancien ne disposant que de 6 coeurs : <code>
+Ainsi, dans cette machine, l'exécution Python/OpenCL est 271 fois plus rapide sur le GPU qu'en Python natif. Si nous désirons "rester" sur le CPU, les résultats sont aussi éloquents.
+La version CUDA appelée par <code>./MySteps_6.py -d 0 -g CUDA -s $((2**25)) -c 10 -t 32</code> donne :<code>
+Device Selection : 0
+GpuStyle used : CUDA
+Size of complex vector : 33554432
+Number of silly calls : 10
+Number of Threads : 32
+Serial compute : 1
+Device #0 of type GPU : NVIDIA GeForce GTX TITAN
+Device #1 of type GPU : Quadro K420
+NativeRate: 130602
+Definition of kernel : 1.646
+Synthesis of kernel : 0.000
+Allocation on Host for results : 0.041
+Execution of kernel : 0.869
+Execution of kernel : 0.869
+CUDARate: 12511868
+[ 0.0000000e+00  3.5762787e-07 -5.9604645e-07 ...  2.9802322e-06
+.9604645e-07  7.1525574e-07]
+.016533133
+Results between Native & CUDA seem to be too different!
+CUDAvsNative ratio: 95.801504</code>
+L'exécution de de <code>./MySteps_6.py -d 4 -g OpenCL -s $((2**25)) -c 10</code> sur sa CPU assez ancienne ne disposant que de 6 coeurs  donne : <code>
 Device Selection : 4
 GpuStyle used : OpenCL
@@ Ligne 945: / Ligne 971: @@
 </code>
-Pour une exécution en C, sérielle, OpenMP et OpenACC, nous avons :
+Pour une exécution en OpenMP et OpenACC avec les mêmes arguments, nous avons :
+  * en OpenMP : <code>
+33554432 10
+Norm: 0.00000000e+00
+Elapsed Time: 418.251
+OMP Elapsed Time: 47.402
+NativeRate: 80225
+OMPRate: 707876
+AccRatio: 8.824</code>
+  * en OpenACC : <code>
+33554432 10
+Norm: 0.00000000e+00
+Elapsed Time: 416.558
+OpenACC Elapsed Time: 12.511
+NativeRate: 80551
+OpenACCRate: 2681906
+ACCRatio: 33.294
+</code>
+Ainsi, pour une charge calculatoire de 321 fonctions arithmétiques sur chaque élément du tableau (10x la fonction de Mylq sur chaque élément et l'addition finale) :
+  * Python/Numpy est presque 2x plus rapide que la C sérielle
+  * Python/OpenCL/GPU est 8x plus rapide que la C/OpenACC, 271x plus rapide que la Python Numpy
+  * Python/CUDA/GPU est 3x plus rapide que la C/OpenACC, 10x plus rapide que la Python Numpy
+  * Python/OpenCL/CPU est presque 3x plus rapide que la C/OpenMP, 23x plus rapide que le Python Numpy
+Si nous augmentons la charge individuelle de chaque addition, nous augmentons de manière très significative l'accéleration de calcul via OpenCL. Pour la configuration matérielle ci-dessus, l'accélération frise avec les 1000 pour le GPU et les 23 pour le CPU, en sollicitant 1000 fois la fonction de Mylq (soit 32001 opérations pour chaque somme).
+Le tableau suivant montre, pour les 7 implémentations, le gain face à l'implémentation native Python :
+^  Silly Calls  ^  C/Serial  ^  C/OpenMP  ^  C/OpenACC  ^  PyCL CPU  ^  PyCL GPU  ^  PyCUDA 32T  ^
+^  0|  3.89|  9.39|  1.45|  0.82|  0.60|  0.57|
+^  1|  0.40|  4.82|  12.95|  15.40|  56.43|  46.08|
+^  10|  0.46|  4.69|  15.96|  20.30|  393.72|  190.89|
+^  100|  0.54|  5.18|  17.97|  23.24|  904.59|  294.82|
+^  1000|  0.52|  5.10|  17.30|  22.40|  967.09|  290.60|
+Pour obtenir de tels gains, nous avons la conjonction des 2 facteurs : l'exploitation massive de tous les //cudacores// (les ALU de la GPU) et l'utilisation de toute la bande passante mémoire de la GPU (10x supérieure généralement à la bande passante mémoire).
+L'objectif de cette partie TP est donc de retrouver, par soi-même, les facteurs d'accélération de OpenCL pour des charges croissantes par l'application de 0, 1, 10, 100, 1000 fois la fonction de Mylq.
+La difficulté viendra du temps d'exécution de la version séquentielle qui atteint son pallier de performances pour une taille croissante de vecteurs assez rapidement et du choix judicieux de l'inhibition de l'exécution séquentielle pour permettre d'atteindre des tailles de vecteurs significatives.
+<note warning>**Exercice #4.1 : exécution des différentes implémentations**
+  - Compilez ''MySteps_6.c'' en ''MySteps_6''
+  - Compilez ''MySteps_6_openmp.c'' en ''MySteps_6_openmp''
+  - Compilez ''MySteps_6_openacc.c'' en ''MySteps_6_openacc''
+  - Compilez ''MySteps_6_openmp.c'' en ''MySteps_6_openmp_NoSerial'', sans exécution séquentielle
+  - Compilez ''MySteps_6_openacc.c'' en ''MySteps_6_openacc_NoSerial'', sans exécution séquentielle
+  - Exécutez ''MySteps_6'' sur des tailles de 32768 et 65536, pour les différentes charges ci-dessus
+  - Relevez les **NativeRate** pour les différentes charges : que constatez vous ?
+  - Exécutez ''MySteps_6_openmp'' sur des tailles de 32768 et 65536, pour les mêmes charges
+  - Relevez les **NativeRate**, **OMPRate** pour les différentes charges
+  - Exécutez ''MySteps_6_openacc'' sur des tailles de 32768 et 65536, pour les mêmes charges
+  - Relevez les **NativeRate**, **ACCRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en OpenCL/CPU avec l'Intel sur des tailles de 32768 et 65536
+  - Relevez les **NativeRate**, **OpenCLRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en OpenCL/GPU sur le plus gros GPU sur des tailles de 32768 et 65536
+  - Relevez les **NativeRate**, **OpenCLRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en CUDA/GPU sur le plus gros GPU sur des tailles de 32768 et 65536
+  - Relevez les **NativeRate**, **CUDARate** pour les différentes charges
+  - Placez dans un tableau les différentes valeurs : que constatez-vous ?
+  - Exécutez ''MySteps_6_openmp_NoSerial'' sur des tailles de 1048576 et 2097152, pour les mêmes charges
+  - Relevez **OMPRate** pour les différentes charges
+  - Exécutez ''MySteps_6_openacc_NoSerial'' sur des tailles de 1048576 et 2097152, pour les mêmes charges
+  - Relevez **ACCRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en OpenCL Intel sur des tailles de 1048576 et 2097152, avec l'option ''-n''
+  - Relevez **OpenCLRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en OpenCL sur le même GPU sur des tailles de 1048576 et 2097152
+  - Relevez **OpenCLRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en CUDA/GPU sur le même GPU sur des tailles de 1048576 et 2097152
+  - Relevez **CUDARate** pour les différentes charges
+  - Placez dans un tableau les différentes valeurs : que constatez-vous comme gain en performance en OpenCL ?
+</note>
+Vous pouvez juger, du fait de lancement pour des tailles doublées, et pour les différentes charges, que vous avez obtenu des optimums pour certaines implémentations, mais pas encore pour d'autres, notamment OpenCL et CUDA.
+Si la performance pour une taille de 2097152 est moins de 5% supérieure à la performance pour une taille de 1048576, vous pouvez considérer que vous avez atteint le quasi-optimum de performance. L'objectif est d'atteindre cette limite.
+<note warning>**Exercice #4.2 : exploration de la meilleure performance OpenCL et CUDA**
+  - Exécutez ''MySteps_6.py'' en OpenCL Intel sur des tailles croissantes avec l'option ''-n''
+  - Relevez **OpenCLRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en OpenCL sur le même GPU sur des tailles de 1048576 et 2097152
+  - Relevez **OpenCLRate** pour les différentes charges
+  - Exécutez ''MySteps_6.py'' en CUDA/GPU sur le même GPU sur des tailles de 1048576 et 2097152
+  - Relevez **CUDARate** pour les différentes charges
+  - Placez dans un tableau les différentes valeurs : que constatez-vous comme gain en performance en OpenCL ?
+</note>
 ===== Implémenter une fonction "coûteuse", la Transformée de Fourier =====
@@ Ligne 981: / Ligne 1093: @@
 Il sera alors possible d'estimer l'erreur numérique à ce calcul.
-<note warning>**Exercice #4.1 : implémentation Python "naïve"**
+<note warning>**Exercice #5.1 : implémentation Python "naïve"**
   - Modifiez ''MyDFT_1.py'' suivant les 7 spécifications ci-dessus
   - Exécutez le programme pour une taille de **16** et contrôler la cohérence
@@ Ligne 1014: / Ligne 1126: @@
   - comparer les résultats entre les deux avec ''linalg.norm''
-<note warning>**Exercice #4.2 : implémentation Python Numpy**
+<note warning>**Exercice #5.2 : implémentation Python Numpy**
   - Copiez le programme ''MyDFT_1.py'' en ''MyDFT_2.py''
   - Modifiez ''MyDFT_2.py'' suivant les 7 spécifications ci-dessus
@@ Ligne 1041: / Ligne 1153: @@
   - changer le domaine d'itération pour la boucle : ''range()'' par ''numba.prange()''
-<note warning>**Exercice #4.3 : implémentation Python Numpy**
+<note warning>**Exercice #5.3 : implémentation Python Numpy**
   - Copiez le programme ''MyDFT_2.py'' en ''MyDFT_3.py'' et exploitez ce dernier
   - Copiez la fonction ''NumpyDFT'' en ''NumbaDFT''
@@ Ligne 1071: / Ligne 1183: @@
 Pour l'implémentation OpenCL, la version "naïve" de l'implémentation va servir. Pour cela, il suffit de reprendre la définition de la méthode naïve et de l'implémenter en C dans un noyau OpenCL. A noter que Pi n'étant dans une variable définie, il faut explicitement la détailler dans le noyau OpenCL. Autre détail important : le //cast//. De manière a éviter tout effet de bord, il est fortement recommandé de //caster// les opérations dans la précision flottante souhaitée pour des opérations sur des indices entiers.
-<note warning>**Exercice #4.4 : implémentation Python OpenCL**
+<note warning>**Exercice #5.4 : implémentation Python OpenCL**
   - Copiez le programme ''MyDFT_3.py'' en ''MyDFT_4.py'' et exploitez ce dernier
   - Copiez la fonction python ''OpenCLAddition'' en ''OpenCLDFT''
@@ Ligne 1146: / Ligne 1258: @@
   * modifier les vecteurs en sortie (2 vecteurs)
-<note warning>**Exercice #4.5 : implémentation Python CUDA**
+<note warning>**Exercice #5.5 : implémentation Python CUDA**
   - Copiez le programme ''MyDFT_4.py'' en ''MyDFT_5.py'' et exploitez ce dernier
   - Copiez la fonction python ''CUDAAddition'' en ''CUDADFT''
@@ Ligne 1255: / Ligne 1367: @@
 L'objectif est donc de reprendre notre exemple le plus abouti de notre DFT et d'y ajouter ces éléments. Pour cela, les programmes ''PiXPU.py'' et ''TrouNoir.py'' vont être explorés pour voir comment faire.
-<note warning>**Exercice #5.1 : exploration de PiXPU.py**
+<note warning>**Exercice #6.1 : exploration de PiXPU.py**
   - Identifiez les lignes correspondant aux paramétrages par défaut
   - Identifiez les lignes sur la découverte des périphériques OpenCL
@@ Ligne 1273: / Ligne 1385: @@
   - Sélectionner une exécution sous OpenCL ou CUDA avec l'option ''-g''
-<note warning>**Exercice #5.2 : modification du programme ''MyDFT_6.py''**
+<note warning>**Exercice #6.2 : modification du programme ''MyDFT_6.py''**
   - Supprimer la sélection initiale d'argument
   - Inhiber pour l'instant l'exécution des fonctions
@@ Ligne 1314: / Ligne 1426: @@
 </code>
-<note warning>**Exercice #5.3 : modification du programme ''MyDFT_7.py''**
+<note warning>**Exercice #6.3 : modification du programme ''MyDFT_7.py''**
   - Libérez pour l'appel à la fonction ''OpenCLDFT''
   - Rajoutez le test exploitant la sélection OpenCL ou CUDA
@@ Ligne 1492: / Ligne 1604: @@
 <note warning>
-**Exercice #6.1 : éditez le source du programme ''xGEMM.c'' et repérez les éléments suivants**
+**Exercice #7.1 : éditez le source du programme ''xGEMM.c'' et repérez les éléments suivants**
   * Identifiez dans ''Makefile'' quelles directives (précédées par ''-D'') sont associées aux différentes implémentations
@@ Ligne 1761: / Ligne 1873: @@
 <note warning>
-**Exercice #6.2 : lancez les ''xGEMM_<precision>_<implementation>'' avec une taille de 1000**
+**Exercice #7.2 : lancez les ''xGEMM_<precision>_<implementation>'' avec une taille de 1000**
   * Variez le nombre d'itérations pour obtenir une durée d'exécution d'une dizaine de secondes ?
@@ Ligne 1780: / Ligne 1892: @@
 <note warning>
-**Exercice #6.3 : lancez les programmes précédents pour différentes tailles**
+**Exercice #7.3 : lancez les programmes précédents pour différentes tailles**
   * Diminuez la taille aux valeurs suivantes ''125'', ''250'', ''500'' et exécutez les programmes
@@ Ligne 1815: / Ligne 1927: @@
 L'objectif est de "jouer" le [[https://www.tensorflow.org/tutorials/images/cnn|tutoriel]] exploitant la base d'images CIFAR10 pour un apprentissage convolutif.
-<note warning>**Exercice #7.1 :**
+<note warning>**Exercice #8.1 :**
   - chargez l'environnement conda
   - préparez la variable d'environnement ''TIME''
@@ Ligne 1838: / Ligne 1950: @@
 En regardant l'activité du GPU, il apparaît que le gain est substanciel par rapport à une "petite" configuration GPU. Cependant, la nature du réseau créé n'exploitait pas de manière optimale la GPU par rapport à la CPU. Une petite modification de notre réseau va permettre de mettre cela en évidence, en modifiant le nombre de poids d'une des couches neuronales.
-<note warning>**Exercice #7.2 :**
+<note warning>**Exercice #8.2 :**
   - changez **64** en **65536** dans ''model.add(layers.Dense(64, activation='relu'))''
   - supprimez la référence à ''CUDA_VISIBLE_DEVICES'' avec ''export -n CUDA_VISIBLE_DEVICES''
@@ Ligne 1861: / Ligne 1973: @@
 Le code source est accessible à l'adresse : https://www.r-ccs.riken.jp/labs/cbrt/download/genesis-version-1-5/
-<note warning>**Exercice #8.1 : Récupérez et compilez le code suivant la documentation fournie**
+<note warning>**Exercice #9.1 : Récupérez et compilez le code suivant la documentation fournie**
   * Lisez la [[https://www.r-ccs.riken.jp/labs/cbrt/installation/|documentation]] d'installation
   * Placez les sources dans le dossier ''/local/$USER/GENESIS'' créé pour l'occasion
@@ Ligne 1880: / Ligne 1992: @@
 Pour finir, dans comme ce programme est "aussi" //gépufié// (porté sur GPU), il risque d'y avoir un goulet d'étranglement pour l'accès au GPU pour les 64 tâches simultanées. Ainsi, les programmes "fortement" parallélisés exigent de choisir judicieusement les différents paramètres de parallélisation tout comme nous avons vue que, pour les GPU, il fallait découper la tâche en un nombre optimal de sous-tâches.
-<note warning>**Exercice #8.2 : Exécutez l'exemple ''alad_water''**
+<note warning>**Exercice #9.2 : Exécutez l'exemple ''alad_water''**
   * Récupérez [[http://www.cbp.ens-lyon.fr/emmanuel.quemener/documents/alad_water.tgz|l'exemple d'exécution]]
   * Décompressez l'archive dans ''/local/$USER/GENESIS''
@@ Ligne 1908: / Ligne 2020: @@
 Nous allons tenter de reproduire une [[https://www.nvidia.com/en-us/data-center/gpu-accelerated-applications/gromacs/|expérience de Nvidia]] vantant l'efficacité des GPGPU pour le logiciel de [[https://fr.wikipedia.org/wiki/Dynamique_mol%C3%A9culaire|dynamique moléculaire]] [[http://www.gromacs.org/|Gromacs]].
-<note warning>**Exercice #9.1 : appliquez la "recette" de Nvidia**
+<note warning>**Exercice #10.1 : appliquez la "recette" de Nvidia**
   * La documentation offre ceci :
     - récupérez le source
@@ Ligne 1923: / Ligne 2035: @@
 En cas de difficultés, appliquez la [[formation:insa2020gpu:insa2020gromacs4buster|recette de Gromacs pour Debian Buster]] ;-)
-<note warning>**Exercice #9.2 : Exécutez l'exemple ''1536''**
+<note warning>**Exercice #10.2 : Exécutez l'exemple ''1536''**
   * Quel ''Elapsed Time'' avez-vous pour l'exécution sur GPU (et CPU) ?
   * Quel ''Elapsed Time'' avez-vous pour l'exécution uniquement sur CPU ?

formation/gpu4cbp.1678442735.txt.gz · Dernière modification: 2023/03/10 11:05 par equemene

Rechercher

Translations

Piste:

Boîte à outils