= 基本情報 = * AMD/ATi社のGPUをプログラムするための環境のひとつがCALである * 仮想的なアセンブラによりGPUで実行するためのプログラムを作成できる * 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 || SPの数 || 単精度性能 || 倍精度加算性能 || 倍精度乗算性能 || || HD4850 || RV770 || 625 MHz || DDR3 || 800 || 1040 GFLOPS || 208 GFLOPS || 104 GFLOPS || || HD4870 || RV770 || 750 MHz || DDR5 || 800 || 1200 GFLOPS || 240 GFLOPS || 120 GFLOPS || || HD4890 || RV770 || 850 MHz || DDR5 || 800 || 1360 GFLOPS || 272 GFLOPS || 136 GFLOPS || 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。 = Linuxにおける利用方法 = * [wiki:"Ubuntuにインストール"] : Ubuntu 8.04 LTSへインストール = 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。 * CALを説明したプレゼンファイル(2008年8月作成) : [attachment:CAL200808.pdf] (Ubuntuで見ると字がずれます) * [wiki:"CALプログラミング(0)"] : 準備(非推奨)　別のやり方は wiki:"Ubuntuにインストール"を参照 * [wiki:"CALプログラミング(1)"] : 簡単なプログラム * [wiki:"CALプログラミング(2)"] : 簡単なプログラムの拡張 * [wiki:"CALプログラミング(3)"] : ループとデータの読み込み * [wiki:"CALプログラミング(4)"] : ２次元配列 * [wiki:"CALプログラミング(5)"] : 倍精度 = preliminary results = [[Image(GFLOPS.png)]] one interaction 20 FP ops CALLIB/trunk/S_2dim = win bench = * T3400 XP 64 HD4870 780 * T3400 XP 64 HD4850 670