wiki:CALによるGPUプログラミング

基本情報

  • AMD/ATi社のGPUを計算につかうための開発環境はATI Streamと呼ぶ
  • そのうち低レベルなライブラリがCALである
  • CALにより、仮想的なアセンブラ言語で記述したプログラムをGPUで実行できる
  • ATI Stream SDK http://developer.amd.com/gpu/ATIStreamSDK/Pages/default.aspx

RV770の基本

  • RV770のGPUチップは、Radeon HD4850, HD4870, HD4890として売られているボードに搭載されている。
  • 正確にはアーキテクチャの名前はR700。4XXXの型番のものがいろいろあるが、規模に応じて演算器の個数が異なる。
  • 性能まとめ表
board arch clock memory仕様 SPの数 単精度性能 倍精度加算性能 倍精度乗算性能 バンド幅
HD4850 RV770 625 MHz DDR3 662 MHz 256bit 800 1040 GFLOPS 208 GFLOPS 104 GFLOPS 63.6 GB/sec
HD4870 RV770 750 MHz DDR5 900 MHz 256bit 800 1200 GFLOPS 240 GFLOPS 120 GFLOPS 115.2 GB/sec
HD4890 RV770 850 MHz DDR5 975 MHz 256bit 800 1360 GFLOPS 272 GFLOPS 136 GFLOPS 124.8 GB/sec
HD4770 RV740 750 MHz DDR5 800 MHz 128bit 640 960 GFLOPS 192 GFLOPS 96 GFLOPS 51.2 GB/sec
HD5870 RV870 850 MHz DDR5 1.2 GHz 256bit 1600 2720 GFLOPS 544 GFLOPS 272 GFLOPS 153.6 GB/sec
HD5850 RV870 725 MHz DDR5 1.0 GHz 256bit 1440 2088 GFLOPS 418 GFLOPS 209 GFLOPS 128.0 GB/sec

x2のボードは単純に2倍の性能

  • Stream Coreと呼ばれる単精度浮動小数点演算器が800個搭載されており、それぞれが単精度でMultiply-Addが可能なprocessorである。Stream Coreには2種類あり、片方は単純に単精度演算ができるStream Core(SC)で、他方は三角関数なども演算可能なT-Stream Core(T-SC)である。
  • 4組のSCとひとつのT-SCが組になり、5 wayのVLIW processorを構成している。このThread Processor(TP)は、内部に128個(?)の128 bit汎用レジスタとその他一時レジスタなどをもつ(はず)。TPの命令実行には様々なパターンがあり、最大で5個の単精度または32 bit整数演算、あるいは4個の単精度/整数演算+1個の関数演算、あるいは2個の倍精度加算、または1個の倍精度乗算が実行できる。RV770は合計で160個のTPを持つ。
  • TPが16組集まってSIMD engineとよばれるユニットを構成する。SIME engineには共有メモリ(Local Data Store;LDS)と外部メモリへのtwo-levelのキャッシュがある。SIMD engine内では、LDSを利用することでTP間のデータのやりとりをおこなうことができる。SIMD engine内のTPは同一の命令を実行する。RV770は合計で10個のSIMD engineを持つ
  • SIMD engineへの命令の供給と制御はUltra-threaded Dispatch Processor(UTDP)というユニットがおこなう。UTDPは、異なるSIMD engineに別々の命令を供給することが可能。そのためRV770全体ではSIMD実行ではなくMPMD実行になる場合がある。また、名前からするとひとつのSIMD engineに供給する命令流を複数切り替えることで、メモリの読み込み隠蔽などをおこなったりもするのだろう。
  • HD4870とHD4850の違いはRV770チップの動作クロック(750 MHz vs. 625 MHz)だけでなく、外部メモリへのインターフェイスも違う。4870はDDR5メモリと接続され、メモリ帯域幅は115.2 GB/sec (256 bit bus, data clock rate 3600 MHz)である。4850はDDR3メモリと接続され、メモり帯域幅はX GB/sec (256 bit bus, data clock rate X MHz)である。HD4890はHD4870のクロックをさらにあげて850 MHzとしたもの。メモリクロックもあがってる?
  • 単精度での理論性能は以下の式で計算される:
     単精度性能 = (Number of TP) * 5 (ways) * 2 (FP ops) * clock (MHz) = X MFLOPS
    
  • 倍精度については、生成されたR770のアセンブラソースを見ると:
    • 加算はStream Coreを2個利用
    • 乗算はStream Coreを4個利用
    • 除算は単精度の初期値をつかってどうにか

のように実行されるようだ。単精度での理論性能は全ての命令がmultiply-addの時に達成されるものであるため、結果的に倍精度加算は単精度性能の2/5の半分で1/5の性能となり、乗算はさらにその半分の1/10の性能になる。

  • 内積演算に使える倍精度Multiply-Addは、SCを4個を使って2演算なので加算の性能と同じになる。
  • ボード上のメモリはGDDR3のものとGDDR5のものがあり、それぞれのバンド幅の計算式は:
     バンド幅 = (Memory clock) * 3 * (bus width) = X GB/sec (GDDR3の場合)
     バンド幅 = (Memory clock) * 4 * (bus width) = X GB/sec (GDDR5の場合)
    

Linuxにおける利用方法

CALプログラムの基本

以下は2008年度卒研用に中里が作成したものである。SDKのバージョンが1.2.1betaの時点での情報である。 利用しているGPUボードは、HD4850 512MBのもの。HD4870 1GBのボードでも同様に利用できている。

Results

see Astronomical_Many_Body_Simulations_On_RV770 and Tests_With_RV870

Last modified 15 years ago Last modified on Oct 23, 2009 11:11:25 PM

Attachments (1)

Download all attachments as: .zip