實(shí)戰(zhàn)技巧，Mali GPU編程特性及二維浮點(diǎn)矩陣運(yùn)算并行優(yōu)化詳解

　　基于Mali-T604嵌入式GPU的二維浮點(diǎn)矩陣運(yùn)算并行優(yōu)化

　　ARM Cortex-A15系列處理器是當(dāng)前最新的嵌入式ARM SoC，該系列處理器首次集成了Mali-T600系列的移動(dòng)端GPU，該系列GPU支持OpenGL以及OpenCL等計(jì)算框架，可以有效加速通用計(jì)算，而目前對(duì)其應(yīng)用方法和實(shí)際優(yōu)化效果的研究很少。本文基于以三星的Exynos5250處理器為核心的Arndale Board嵌入式開發(fā)平臺(tái)，對(duì)集成于處理器上的Mali-T604嵌入式GPU的GPGPU(General-Purpose computation on GPU)技術(shù)進(jìn)行研究并對(duì)不同運(yùn)算規(guī)模的浮點(diǎn)矩陣乘法進(jìn)行并行加速優(yōu)化，提供實(shí)際測(cè)試結(jié)果。

　　GPGPU技術(shù)早年主要在超級(jí)計(jì)算機(jī)平臺(tái)進(jìn)行高性能計(jì)算，而近年該技術(shù)逐漸被引入嵌入式領(lǐng)域。但在過去的移動(dòng)GPU平臺(tái)上沒有專門針對(duì)通用計(jì)算的軟件框架和編程接口，軟件設(shè)計(jì)者難以對(duì)于數(shù)據(jù)的同步和計(jì)算的并行進(jìn)行控制，所以移動(dòng)GPU在通用計(jì)算領(lǐng)域一直難以應(yīng)用。本文基于Exynos5250 SoC平臺(tái)詳述Mali GPU的硬件特性和將其應(yīng)用于通用計(jì)算的編程的方法，最后將二維浮點(diǎn)矩陣乘法并行化作為優(yōu)化實(shí)例，驗(yàn)證Mali GPU的并行能力，為計(jì)劃使用嵌入式GPU的GPGPU技術(shù)進(jìn)行優(yōu)化工作的研究人員和應(yīng)用開發(fā)者提供技術(shù)參考和借鑒。

　　1.Mali T604 GPU的硬件結(jié)構(gòu)和編程特性

　　Mali是由ARM研發(fā)設(shè)計(jì)的移動(dòng)顯示芯片組(GPUs)系列，不僅能夠在移動(dòng)端提供強(qiáng)大的圖像渲染能力，同時(shí)在近期對(duì)通用計(jì)算進(jìn)行了良好的軟硬件支支持。

　　1.1 Mali T604 GPU的組成結(jié)構(gòu)

　　Mali-T604是Mali系列中首款使用統(tǒng)一渲染架構(gòu)Midgard的移動(dòng)GPU，Mali-T604 GPU包含4個(gè)著色器核心，采用AMBA 4 ACE-LITE總線接口，該總線以Cache Coherent Interconnect技術(shù)為特色，在多個(gè)處理器之間提供完全Cache一致性，通過ARM的一致性和互連技術(shù)，計(jì)算任務(wù)在異構(gòu)系統(tǒng)中進(jìn)行共享處理時(shí)，可以輕松跨越CPU、GPU和其他可用計(jì)算資源，更高效地訪問數(shù)據(jù)。圖1展示了Mali-T604 GPU的基本框架。如圖2所示，Cortex-A15 CPU核心以及Mali GPU核心物理上共享了片外的RAM存儲(chǔ)器并保持了L2Cache的一致性。

　　圖1 Mali-T604基本硬件框圖

　　圖2 Exynos5250處理器框圖

　　Mali-T604 GPU在硬件層面優(yōu)化了對(duì)任務(wù)管理和事件依賴的處理，并將這部分功能完全集成在其硬件的任務(wù)管理單元之中，可將計(jì)算任務(wù)從CPU卸載到GPU，并在活動(dòng)的著色器核心之間實(shí)現(xiàn)無縫負(fù)載平衡。

　　1.2 Mali GPU的并行化線程結(jié)構(gòu)特征

　　Mali GPU進(jìn)行通用計(jì)算的技術(shù)核心是以多核多線程的思想將密集的計(jì)算任務(wù)進(jìn)行拆解，將大量的計(jì)算線程分配于眾多計(jì)算核心中，GPU可以同時(shí)處理成百上千的線程，大量晶體管用于ALU.GPU適合做高密度數(shù)據(jù)的并行運(yùn)算，只有在運(yùn)算的并行粒度足夠大的時(shí)候才能發(fā)揮出強(qiáng)大的并行運(yùn)算能力。圖3展示了CPU和Mali GPU之間工作調(diào)配的過程。

　　圖3 Cortex-A15 CPU和Mali GPU之間的工作調(diào)配

　　Mali GPU中每個(gè)計(jì)算線程會(huì)占用著色器核心的一部分資源(存儲(chǔ)器和ALU等)，每個(gè)線程占用資源的多少影響了同時(shí)并行處理的活動(dòng)線程的數(shù)量。對(duì)Mali GPU，每一個(gè)線程都有自己的程序計(jì)數(shù)器，這意味著Mali GPU和桌面GPU平臺(tái)不同，程序分支的發(fā)散不是一個(gè)影響效率的重要的問題。每個(gè)Mali-T604 GPU的著色器核心最多可以同時(shí)容納256個(gè)線程，Mali GPU在進(jìn)行通用計(jì)算時(shí)需要大量的線程進(jìn)行切換才能保證得到計(jì)算效率上的收益，對(duì)于Mali-T604而言，這個(gè)最少的總工作項(xiàng)數(shù)量是4096.如果分配于單個(gè)著色器核心上的線程數(shù)目不足128，很可能帶來并行效率的下降，這時(shí)需要拆分工作為不同的步驟，簡化每個(gè)步驟的線程復(fù)雜度，讓單個(gè)著色器核心并行容納的線程數(shù)量足夠多以保證并行度。

　　2.Mali GPU的并行化計(jì)算模型構(gòu)建

　　Mali-T600系列的GPU對(duì)OpenCL 1.1 Full Profile標(biāo)準(zhǔn)進(jìn)行了良好的支持，OpenCL是真正意義上的跨平臺(tái)異構(gòu)并行框架，能夠真正挖掘出Mali GPU的并行計(jì)算特性。

　　2.1 Mali GPU在OpenCL框架下的并行任務(wù)抽象及線程規(guī)劃

　　OpenCL是一個(gè)由編程語言規(guī)范，應(yīng)用程序接口、庫函數(shù)和運(yùn)行時(shí)系統(tǒng)組成的跨平臺(tái)異構(gòu)并行計(jì)算框架，Mali-T604 GPU在OpenCL下的抽象層次如下面的圖4所示：

　　圖4 OpenCL針對(duì)Mali-T604的抽象層次

　　OpenCL的并行基于SMT(同時(shí)多線程)的思想，由用戶指定自定義數(shù)目的線程，并根據(jù)線程的標(biāo)識(shí)符設(shè)計(jì)計(jì)算線程與數(shù)據(jù)關(guān)聯(lián)的映射法則，SMT架構(gòu)主要用于隱蔽訪存的延時(shí)。OpenCL框架下，CPU主機(jī)端程序由OpenCL的API編寫，實(shí)現(xiàn)計(jì)算平臺(tái)的初始化，存儲(chǔ)器的分配和交互的控制，并決定分配的計(jì)算線程的維度和每一維的數(shù)量。設(shè)備端的內(nèi)核程序由OpenCL C語言編寫，Mali GPU會(huì)根據(jù)內(nèi)核對(duì)象創(chuàng)建主機(jī)端請(qǐng)求數(shù)量的線程實(shí)例，每個(gè)線程的運(yùn)算工作都由圖4中一個(gè)對(duì)應(yīng)的PE進(jìn)行處理，線程的工作邏輯決定了線程標(biāo)識(shí)號(hào)和數(shù)據(jù)的關(guān)聯(lián)關(guān)系。多個(gè)線程被組織為工作組的形式，每一個(gè)工作組固定分配到一個(gè)CU上進(jìn)行處理，同一個(gè)工作組中的線程會(huì)在對(duì)應(yīng)的CU上由Mali GPU的任務(wù)管理單元進(jìn)行快速的切換和調(diào)度，保證一個(gè)CU上的PE最大限度保持忙碌。

　　2.2 Mali GPU多核環(huán)境下的存儲(chǔ)器空間映像方法

　　如圖4所示，Mali GPU和Cortex A15 CPU所共用的RAM在邏輯上被OpenCL框架切割成了四種不同的類型，Mali-T600系列的GPU使用統(tǒng)一存儲(chǔ)器模型，四種類型的存儲(chǔ)器都映射到片外RAM上，Cortex-A15 CPU和Mali-T604 GPU共享物理RAM，相對(duì)桌面GPU平臺(tái)而言，在Mali平臺(tái)上將數(shù)據(jù)從全局存儲(chǔ)器拷貝到局部或者私有存儲(chǔ)器并不能使訪存性能得到提升，但相對(duì)地也不用像桌面GPU一樣進(jìn)行從主存到顯存的數(shù)據(jù)拷貝。Mali GPU有三種訪問RAM的方式，由傳入clCreateBuffer函數(shù)中的不同參數(shù)決定，其示意圖如下：

　　圖5 OpenCL框架下Mali GPU對(duì)存儲(chǔ)器的不同訪問方式

　　Cortex-A15 CPU和Mali-T604 GPU使用不同的虛擬地址空間，在主機(jī)端由malloc函數(shù)分配的緩存，Mali GPU無法訪問。Mali GPU可以訪問clCreateBuffer函數(shù)分配出的緩存，CPU借助OpenCL中的map映射操作也可實(shí)現(xiàn)對(duì)這類緩存的讀寫，圖5中的方式2需要主機(jī)端的緩存進(jìn)行數(shù)據(jù)拷貝來初始化，方式3和方式2類似，但只在OpenCL的內(nèi)核函數(shù)首次使用該緩存時(shí)才進(jìn)行數(shù)據(jù)拷貝，在CPU端進(jìn)行map操作時(shí)GPU還會(huì)將數(shù)據(jù)拷貝回主機(jī)端的緩存，對(duì)于Mali GPU而言，多余的數(shù)據(jù)拷貝操作會(huì)降低訪存效率。圖5中的方式1是ARM官方建議的訪存方式，CPU和GPU共享一塊物理緩存，高速實(shí)現(xiàn)數(shù)據(jù)交互。

　　2.3 Mali GPU的向量處理特性

　　Mali-T604 GPU內(nèi)部有128位寬度的向量寄存器，使用OpenCL C中的內(nèi)建向量類型可以讓數(shù)據(jù)自動(dòng)以SIMD的形式在Mali GPU的ALU中進(jìn)行并行計(jì)算，Mali GPU中將數(shù)據(jù)以16個(gè)字節(jié)對(duì)齊可以使得數(shù)據(jù)的長度和高速緩存適配，加快數(shù)據(jù)存取速度，Mali-T600系列GPU中加載一個(gè)128位的向量和加載一個(gè)單字節(jié)數(shù)據(jù)花費(fèi)的時(shí)間是一樣的。將數(shù)據(jù)以128位進(jìn)行對(duì)齊，能夠最大限度發(fā)揮Mali-T604 GPU的訪存和運(yùn)算效率。

　　3.基于Mali-T604 GPU的快速浮點(diǎn)矩陣乘法并行化實(shí)現(xiàn)

　　矩陣乘法運(yùn)算在路徑方案求解、線性方程組求解、圖像處理等領(lǐng)域一直有著廣泛應(yīng)用，普通的迭代式串行算法的時(shí)間復(fù)雜度為O(n3)，對(duì)于大型的矩陣乘法，特別是浮點(diǎn)類型的矩陣乘法，計(jì)算量非常驚人，傳統(tǒng)的算法基于CPU進(jìn)行設(shè)計(jì)，CPU并不能提供大型的并行度和強(qiáng)大的浮點(diǎn)計(jì)算能力，對(duì)于大型浮點(diǎn)類型矩陣乘法的處理力不從心。

　　AB兩個(gè)矩陣的乘法的結(jié)果矩陣中的每個(gè)數(shù)據(jù)均依賴于A中的一行和B中的一列的點(diǎn)積結(jié)果，每個(gè)計(jì)算結(jié)果沒有依賴和相關(guān)，顯然是高度可數(shù)據(jù)并行的計(jì)算問題，很適合使用GPU做并行處理，使用GPU上的多個(gè)線程可以并行進(jìn)行矩陣A和B中不同行和列的點(diǎn)積。

　　實(shí)際進(jìn)行實(shí)驗(yàn)時(shí)，以N*N的兩個(gè)浮點(diǎn)矩陣A和B進(jìn)行乘法，得出N*N的浮點(diǎn)結(jié)果矩陣matrixResult，利用Mali GPU進(jìn)行并行化的時(shí)候，總共分配N*N個(gè)線程，以二維方式進(jìn)行排布，標(biāo)識(shí)號(hào)為(i，j)的線程提取出矩陣matrixA的第i行和矩陣matrixB的第j列，利用OpenCL中長度為128位的float4向量類型快速實(shí)現(xiàn)兩個(gè)一維向量的點(diǎn)積，再將該點(diǎn)積結(jié)果存儲(chǔ)到matrixResult[i][j]位置。主機(jī)端分配線程的代碼段如下：