技术背景
GPU加速是现代工业各种场景中非常常用的一种技术,这得益于GPU计算的高度并行化。在Python中存在有多种GPU并行优化的解决方案,包括之前的博客中提到的cupy、pycuda和numba.cuda,都是GPU加速的标志性Python库。这里我们重点推numba.cuda这一解决方案,因为cupy的优势在于实现好了的众多的函数,在算法实现的灵活性上还比较欠缺;而pycuda虽然提供了很好的灵活性和相当高的性能,但是这要求我们必须在Python的代码中插入C代码,这显然是非常不Pythonic的解决方案。因此我们可以选择numba.cuda这一解决方案,只要在Python函数前方加一个numba.cuda.jit的修饰器,就可以在Python中用最Python的编程语法,实现GPU的加速效果。
加速场景
我们需要先了解的是,GPU在什么样的计算场景下能够实现加速的效果,很显然的是,并不是所有的计算过程都能在GPU上表现出加速的效果。前面说道,GPU的加速作用,是源自于高度的并行化,所谓的并行,就要求进程之前互不干扰或者依赖。如果说一个进程的计算过程或者结果,依赖于另一个进程中的计算结果,那么就无法实现完全的并行,只能使用串行的技术。这里为了展示GPU加速的效果,我们就引入一个在分子动力学模拟领域中常见的问题:近邻表的计算。
近邻表计算的问题是这样描述的:给定一堆数量为n的原子系统,每一个原子的三维坐标都是已知的,给定一个截断常数$d_0$,当两个原子之间的距离$d_{i,j}<=d_0$时,则认为这两个原子是相邻近的原子。那么最终我们需要给出一个0-1矩阵$A_{i,j}$,当$A_{i,j}=0$时,表示$i,j$两个原子互不相邻,反之则相邻。那么对于这个问题场景,我们就可以并行化的遍历$n\\times n$的空间,直接输出$A_{n\\times n}$大小的近邻表。这个计算场景是一个非常适合用GPU来加速的计算,以下我们先看一下不用GPU加速时的常规实现方案:
# cuda_neighbor_list.pyfrom numba import jitfrom numba import cudaimport numpy as np@jitdef neighbor_list(crd, neighbors, data_length, cutoff):"""CPU based neighbor list calculation."""for i in range(data_length):for j in range(i+1, data_length):if np.linalg.norm(crd[i]-crd[j]) <= cutoff:neighbors[i][j] = 1neighbors[j][i] = 1return neighborsif __name__ == \'__main__\':np.random.seed(1)atoms = 2**2cutoff = 0.5crd = np.random.random((atoms,3))adjacent = np.zeros((atoms, atoms))adjacent = neighbor_list(crd, adjacent, atoms, cutoff)print (adjacent)
这是最常规的一种CPU上的实现方案,遍历所有的原子,计算原子间距,然后填充近邻表。这里我们还使用到了numba.jit即时编译的功能,这个功能是在执行到相关函数时再对其进行编译的方法,在矢量化的计算中有可能使用到芯片厂商所提供的SIMD的一些优化。当然,这里都是CPU层面的执行和优化,执行结果如下:
$ python3 cuda_neighbor_list.py[[0. 0. 0. 0.][0. 0. 1. 0.][0. 1. 0. 1.][0. 0. 1. 0.]]
这个输出的结果就是一个0-1近邻表。
基于Numba的GPU加速
对于上述的近邻表计算的场景,我们很容易的想到这个
neighbor_list
函数可以用GPU的函数来进行改造。对于每一个$d_{i,j}$我们都可以启动一个线程去执行计算,类似于CPU上的SIMD技术,GPU中的这项优化称为SIMT。而在Python中改造成GPU函数的方法也非常简单,只需要把函数前的修饰器改一下,去掉函数内部的for循环,就基本完成了,比如下面这个改造的近邻表计算的案例:
# cuda_neighbor_list.pyfrom numba import jitfrom numba import cudaimport numpy as np@jitdef neighbor_list(crd, neighbors, data_length, cutoff):"""CPU based neighbor list calculation."""for i in range(data_length):for j in range(i+1, data_length):if np.linalg.norm(crd[i]-crd[j]) <= cutoff:neighbors[i][j] = 1neighbors[j][i] = 1return neighbors@cuda.jitdef cuda_neighbor_list(crd, neighbors, cutoff):"""GPU based neighbor list calculation."""i, j = cuda.grid(2)dis = ((crd[i][0]-crd[j][0])**2+\\(crd[i][1]-crd[j][1])**2+\\(crd[i][2]-crd[j][2])**2)**0.5neighbors[i][j] = dis <= cutoff[0] and dis > 0if __name__ == \'__main__\':import timenp.random.seed(1)atoms = 2**5cutoff = 0.5cutoff_cuda = cuda.to_device(np.array([cutoff]).astype(np.float32))crd = np.random.random((atoms,3)).astype(np.float32)crd_cuda = cuda.to_device(crd)adjacent = np.zeros((atoms, atoms)).astype(np.float32)adjacent_cuda = cuda.to_device(adjacent)time0 = time.time()adjacent_c = neighbor_list(crd, adjacent, atoms, cutoff)time1 = time.time()cuda_neighbor_list[(atoms, atoms), (1, 1)](crd_cuda,adjacent_cuda,cutoff_cuda)time2 = time.time()adjacent_g = adjacent_cuda.copy_to_host()print (\'The time cost of CPU with numba.jit is: {}s\'.format(\\time1-time0))print (\'The time cost of GPU with cuda.jit is: {}s\'.format(\\time2-time1))print (\'The result error is: {}\'.format(np.sum(adjacent_c-\\adjacent_g)))
需要说明的是,当前Numba并未支持所有的numpy的函数,因此有一些计算的功能需要我们自己去手动实现一下,比如计算一个Norm的值。这里我们在输出结果中不仅统计了结果的正确性,也给出了运行的时间:
$ python3 cuda_neighbor_list.pyThe time cost of CPU with numba.jit is: 0.6401469707489014sThe time cost of GPU with cuda.jit is: 0.19208502769470215sThe result error is: 0.0
需要说明的是,这里仅仅运行了一次的程序,而jit即时编译的加速效果在第一次的运行中其实并不明显,甚至还有一些速度偏慢,但是在后续过程的函数调用中,就能够起到比较大的加速效果。所以这里的运行时间并没有太大的代表性,比较有代表性的时间对比可以看如下的案例:
# cuda_neighbor_list.pyfrom numba import jitfrom numba import cudaimport numpy as np@jitdef neighbor_list(crd, neighbors, data_length, cutoff):"""CPU based neighbor list calculation."""for i in range(data_length):for j in range(i+1, data_length):if np.linalg.norm(crd[i]-crd[j]) <= cutoff:neighbors[i][j] = 1neighbors[j][i] = 1return neighbors@cuda.jitdef cuda_neighbor_list(crd, neighbors, cutoff):"""GPU based neighbor list calculation."""i, j = cuda.grid(2)dis = ((crd[i][0]-crd[j][0])**2+\\(crd[i][1]-crd[j][1])**2+\\(crd[i][2]-crd[j][2])**2)**0.5neighbors[i][j] = dis <= cutoff[0] and dis > 0if __name__ == \'__main__\':import timenp.random.seed(1)atoms = 2**10cutoff = 0.5cutoff_cuda = cuda.to_device(np.array([cutoff]).astype(np.float32))crd = np.random.random((atoms,3)).astype(np.float32)crd_cuda = cuda.to_device(crd)adjacent = np.zeros((atoms, atoms)).astype(np.float32)adjacent_cuda = cuda.to_device(adjacent)time_c = 0.0time_g = 0.0for _ in range(100):time0 = time.time()adjacent_c = neighbor_list(crd, adjacent, atoms, cutoff)time1 = time.time()cuda_neighbor_list[(atoms, atoms), (1, 1)](crd_cuda,adjacent_cuda,cutoff_cuda)time2 = time.time()if _ != 0:time_c += time1 - time0time_g += time2 - time1print (\'The total time cost of CPU with numba.jit is: {}s\'.format(\\time_c))print (\'The total time cost of GPU with cuda.jit is: {}s\'.format(\\time_g))
这个案例中也没有修改较多的地方,只是把一次计算的时间调整为多次计算的时间,并且忽略第一次计算过程中的即时编译,最终输出结果如下:
$ python3 cuda_neighbor_list.pyThe total time cost of CPU with numba.jit is: 14.955506563186646sThe total time cost of GPU with cuda.jit is: 0.018685102462768555s
可以看到,在GPU加速后,相比于CPU的高性能运算,能够提速达将近1000倍!
总结概要
对于Pythoner而言,苦其性能已久。如果能够用一种非常Pythonic的方法来实现GPU的加速效果,对于Pythoner而言无疑是巨大的好消息,Numba就为我们提供了这样的一个基础功能。本文通过一个近邻表计算的案例,给出了适用于GPU加速的计算场景。这种计算场景可并行化的程度较高,而且函数会被多次用到(在分子动力学模拟的过程中,每一个step都会调用到这个函数),因此这是一种最典型的、最适用于GPU加速场景的案例。
版权声明
本文首发链接为:https://www.cnblogs.com/dechinphy/p/cuda-neighbor.html
作者ID:DechinPhy
更多原著文章请参考:https://www.cnblogs.com/dechinphy/
打赏专用链接:https://www.cnblogs.com/dechinphy/gallery/image/379634.html
腾讯云专栏同步:https://cloud.tencent.com/developer/column/91958