AMD Polaris 上某些尺寸的矩阵乘法性能下降

问题描述

我有一个 OpenCL 代码，它将 2 个矩阵 (Gemm) 与 M=4096、N=4096 和 K=16 相乘。 （即矩阵 4096 x 16 浮点数）

我在 Polaris 560、16CU GPU 上运行。

代码：https://github.com/artyom-beilis/oclblas/blob/master/gemm/gemm.cl

我注意到这个大小的性能下降非常奇怪，这个大小的矩阵乘法有大约 8-10 GFlops 的性能，而如果我将 N 更改为 4095 或 4097，我会得到大约 130-150Gflops。我注意到与 clblas 或 miopengemm 等其他 Gemm 库类似的行为 - 对于 4096x16 的特定大小，我的性能显着下降，将 N 更改为 1 可多次提高性能。

工作负载分为 256 个线程的工作组。每个工作组处理 128x16 和 128x16 矩阵图块（每个线程 8x8 块）。

我尝试将矩阵平铺改为 96x96 的 6x6 块，而不是 128x128 的 8x8 - 结果相同。

我使用 ROCm 3.7 OpenCL、Clover OpenCL 甚至 Windows OpenCL 驱动程序测试了相同的代码 - 行为相同。

具有相同数量的 GPU 内核（线程）和相同内存类型/大小的 nvidia gtx 960 不存在此类问题。

我怀疑这与缓存/冲突有关，但我不明白它是如何发生的。因此我不知道如何解决它。

解决方法

最后我发现 clBlas 库（最初为 AMD 开发）处理 lda % 1024==0、ldb % 1024==0 的特殊情况可能是由于缓存

https://github.com/clMathLibraries/clBLAS/blob/master/src/library/blas/specialCases/GemmSpecialCases.cpp#L228

我发现更好的方法是按 z 曲线顺序重新排列块，而不是将多个内核排队。

https://github.com/artyom-beilis/oclblas/blob/master/gemm/gemm.cl#L109

为了处理 M!=N 或 M != 1<<n 情况，我只是将 M/N 上的工作组数量增加到接近 1<<n 并且没有工作的组在乞讨中退出而不增加太多开销很大。

z-order 将性能提高了 4 倍。