阵列与CUDA中结构阵列的结构

Question

从我在这里阅读的一些评论中，出于某种原因，对于像CUDA这样的并行实现，最好有Structure of Arrays（SoA）超过Array of Structures（AoS）？如果那是真的，任何人都可以解释为什么？ 在此先感谢！ AOS相对的SOA以获得最佳性能

Answer 1

选择通常取决于访问模式。然而，这不仅限于CUDA-类似的考虑适用于性能可受存储器访问模式显着影响的任何架构，例如，您拥有缓存的地方，或者连续访问内存时性能更好的地方（例如CUDA中的合并内存访问）。

E.g.为RGB像素与单独的RGB平面：

struct { 
    uint8_t r, g, b; 
} AoS[N]; 

struct { 
    uint8_t r[N]; 
    uint8_t g[N]; 
    uint8_t b[N]; 
} SoA; 

如果将要访问的每个像素的R/G/B成分同时然后AOS通常是有道理的，因为连续读取R，G，B成分的将是连续的并且通常包含在相同的缓存行中。对于CUDA来说，这也意味着内存读取/写入合并。

但是，如果你要处理的颜色平面分别然后SoA的可能是首选，例如如果你想通过一些比例因子来缩放所有的R值，那么SoA意味着所有的R分量都是连续的。

一个进一步的考虑是填充和/对齐。对于上面的RGB示例，AoS布局中的每个元素都对齐到3个字节的倍数，这对CUDA，SIMD等可能不方便 - 在某些情况下，甚至可能需要在结构中填充以使对齐更方便（例如添加一个虚拟uint8_t元素以确保4个字节的对齐）。然而，在SoA情况下，这些平面是字节对齐的，对于某些算法/体系结构可以更方便。

对于大多数图像处理类型的应用程序，AoS方案更为常见，但对于其他应用程序或特定图像处理任务，情况可能并非总是如此。当没有明显的选择时，我会推荐AoS作为默认选择。

也this answer见AOS v的SOA更广泛的讨论。

Answer 2

SOA是SIMD处理effectly好。 对于几个原因，但基本上它更有效地加载连续4个浮点寄存器中。喜欢的东西：

float v [4] = {0}; 
__m128 reg = _mm_load_ps(v); 

比使用：

struct vec { float x; float, y; ....} ; 
vec v = {0, 0, 0, 0}; 

，并通过访问所有成员创建__m128数据：

__m128 reg = _mm_set_ps(v.x, ....); 

，如果你的阵列是16字节对齐的数据加载/存储速度更快，有些操作可以直接在内存中执行。

Answer 3

我只想提供一个简单的例子，显示一个结构数组（SoA）如何比结构数组（AoS）更好地执行。

在这个例子中，我考虑三种不同版本的同一代码：

1. SoA的（V1）
2. 直阵列（V2）
3. AOS（V3）

特别是，版本2考虑使用直阵列。版本2和3的时序对于该示例是相同的，并且结果比版本1更好。我怀疑，一般来说，直接数组可能更可取，尽管以可读性为代价，因为例如可以通过const __restrict__为这种情况启用来自统一缓存的加载。

#include "cuda_runtime.h" 
#include "device_launch_parameters.h" 

#include <stdio.h> 

#include <thrust\device_vector.h> 

#include "Utilities.cuh" 
#include "TimingGPU.cuh" 

#define BLOCKSIZE 1024 

/******************************************/ 
/* CELL STRUCT LEADING TO ARRAY OF STRUCT */ 
/******************************************/ 
struct cellAoS { 

    unsigned int x1; 
    unsigned int x2; 
    unsigned int code; 
    bool   done; 

}; 

/*******************************************/ 
/* CELL STRUCT LEADING TO STRUCT OF ARRAYS */ 
/*******************************************/ 
struct cellSoA { 

    unsigned int *x1; 
    unsigned int *x2; 
    unsigned int *code; 
    bool   *done; 

}; 


/*******************************************/ 
/* KERNEL MANIPULATING THE ARRAY OF STRUCT */ 
/*******************************************/ 
__global__ void AoSvsSoA_v1(cellAoS *d_cells, const int N) { 

    const int tid = threadIdx.x + blockIdx.x * blockDim.x; 

    if (tid < N) { 
     cellAoS tempCell = d_cells[tid]; 

     tempCell.x1 = tempCell.x1 + 10; 
     tempCell.x2 = tempCell.x2 + 10; 

     d_cells[tid] = tempCell; 
    } 

} 

/******************************/ 
/* KERNEL MANIPULATING ARRAYS */ 
/******************************/ 
__global__ void AoSvsSoA_v2(unsigned int * __restrict__ d_x1, unsigned int * __restrict__ d_x2, const int N) { 

    const int tid = threadIdx.x + blockIdx.x * blockDim.x; 

    if (tid < N) { 

     d_x1[tid] = d_x1[tid] + 10; 
     d_x2[tid] = d_x2[tid] + 10; 

    } 

} 

/********************************************/ 
/* KERNEL MANIPULATING THE STRUCT OF ARRAYS */ 
/********************************************/ 
__global__ void AoSvsSoA_v3(cellSoA cell, const int N) { 

    const int tid = threadIdx.x + blockIdx.x * blockDim.x; 

    if (tid < N) { 

     cell.x1[tid] = cell.x1[tid] + 10; 
     cell.x2[tid] = cell.x2[tid] + 10; 

    } 

} 

/********/ 
/* MAIN */ 
/********/ 
int main() { 

    const int N = 2048 * 2048 * 4; 

    TimingGPU timerGPU; 

    thrust::host_vector<cellAoS> h_cells(N); 
    thrust::device_vector<cellAoS> d_cells(N); 

    thrust::host_vector<unsigned int> h_x1(N); 
    thrust::host_vector<unsigned int> h_x2(N); 

    thrust::device_vector<unsigned int> d_x1(N); 
    thrust::device_vector<unsigned int> d_x2(N); 

    for (int k = 0; k < N; k++) { 

     h_cells[k].x1 = k + 1; 
     h_cells[k].x2 = k + 2; 
     h_cells[k].code = k + 3; 
     h_cells[k].done = true; 

     h_x1[k] = k + 1; 
     h_x2[k] = k + 2; 

    } 

    d_cells = h_cells; 

    d_x1 = h_x1; 
    d_x2 = h_x2; 

    cellSoA cell; 
    cell.x1 = thrust::raw_pointer_cast(d_x1.data()); 
    cell.x2 = thrust::raw_pointer_cast(d_x2.data()); 
    cell.code = NULL; 
    cell.done = NULL; 

    timerGPU.StartCounter(); 
    AoSvsSoA_v1 << <iDivUp(N, BLOCKSIZE), BLOCKSIZE >> >(thrust::raw_pointer_cast(d_cells.data()), N); 
    gpuErrchk(cudaPeekAtLastError()); 
    gpuErrchk(cudaDeviceSynchronize()); 
    printf("Timing AoSvsSoA_v1 = %f\n", timerGPU.GetCounter()); 

    //timerGPU.StartCounter(); 
    //AoSvsSoA_v2 << <iDivUp(N, BLOCKSIZE), BLOCKSIZE >> >(thrust::raw_pointer_cast(d_x1.data()), thrust::raw_pointer_cast(d_x2.data()), N); 
    //gpuErrchk(cudaPeekAtLastError()); 
    //gpuErrchk(cudaDeviceSynchronize()); 
    //printf("Timing AoSvsSoA_v2 = %f\n", timerGPU.GetCounter()); 

    timerGPU.StartCounter(); 
    AoSvsSoA_v3 << <iDivUp(N, BLOCKSIZE), BLOCKSIZE >> >(cell, N); 
    gpuErrchk(cudaPeekAtLastError()); 
    gpuErrchk(cudaDeviceSynchronize()); 
    printf("Timing AoSvsSoA_v3 = %f\n", timerGPU.GetCounter()); 

    h_cells = d_cells; 

    h_x1 = d_x1; 
    h_x2 = d_x2; 

    // --- Check results 
    for (int k = 0; k < N; k++) { 
     if (h_x1[k] != k + 11) { 
      printf("h_x1[%i] not equal to %i\n", h_x1[k], k + 11); 
      break; 
     } 
     if (h_x2[k] != k + 12) { 
      printf("h_x2[%i] not equal to %i\n", h_x2[k], k + 12); 
      break; 
     } 
     if (h_cells[k].x1 != k + 11) { 
      printf("h_cells[%i].x1 not equal to %i\n", h_cells[k].x1, k + 11); 
      break; 
     } 
     if (h_cells[k].x2 != k + 12) { 
      printf("h_cells[%i].x2 not equal to %i\n", h_cells[k].x2, k + 12); 
      break; 
     } 
    } 

} 

以下是定时（在GTX960执行的运行）：

Array of struct  9.1ms (v1 kernel) 
Struct of arrays  3.3ms (v3 kernel) 
Straight arrays  3.2ms (v2 kernel)