GPU: 衡量计算效能的正确姿势（3）

上期我们讲了现代计算机体系结构通过处理器（CPU/GPU）和内存的交互来执行计算程序，处理输入数据，并输出结果。实际上，由于CPU是高速器件，而内存访问速度往往受限（如图所示，CPU和内存的性能差距从上个世纪80年代开始，不断拉大），为解决速度匹配的问题，在CPU和内存之间设置了高速缓冲存储器Cache。

而且Cache往往分几个层级，与内存以及其它外部存储器共同构成计算机系统的存储器层次结构(Memory Hierarchy)，如下图所示，使得整个系统在性能，成本和制造工艺达到平衡。

我们可以看到，各个存储层次在访问时间上存在数量级别的差异，访问速度越快，单位制造成本越高，容量越小。在这里，我们并不打算讨论Cache具体设计和实现，只是希望针对Cache及其命中率对性能的影响有一个直观的认识。为了简化讨论问题的复杂性，我们这里做如下假设。

• 整个流水线分为5个阶段，分别为<1>取指、<2>译码、<3>运算执行、<4>访存读写 (可选)、<5>写回结果至寄存器。
• 这里只考虑一级Cache，而且指令、数据共享L1 Cache。Cache命中的情况下，每个阶段都是1个时钟（cycle），而cache不命中的情况，阶段<1>,<5>各耗时100个时钟（cycles）。
• 访存指令占所有指令1/3。

下面我们来分别计算3种情况下的CPI。

1. Cache完全缺失。 CPI = <1>阶段的时钟+<2, 3, 5>阶段的时钟+<4>阶段的时钟

= 100 cycles + 3 * (1 cycle) + ((1 cycle * 2/3) + (100 cycles * 1/3))

= 137 cycles.

1. Cache命中率达到90%。 CPI = <1>阶段的时钟+<2, 3, 5>阶段的时钟+<4>阶段的时钟

= (1 cycle * 0.9 + 100 cycles * (1 - 0.9)) + (3 cycles) + ((1 cycle * (2/3 + 0.9/3)) + (100cycles * (1 - 0.9) * 1/3)）

= 18.2 cycles.

1. Cache命中率达到99% CPI = <1>阶段的时钟+<2, 3, 5>阶段的时钟+<4>阶段的时钟

= (1 cycle * (0.99) + 100 cycles * (1 - 0.99)) + (3 cycles) + ((1 cycle * (2/3 + 0.99/3)) + (100 cycles * (1 - 0.99) * 1/3))

= 6.32 cycles.

另外在上期文章里我们也提到同样32b数据的访问，DRAM的耗能是SRAM的百倍（640pJ vs 5pJ）。完全可见正确配置Cache对高能效高性能计算的重要作用。

值得一提的是，由于CPU和GPU设计面向的差异，他们的Memory Hierarchy存在明显的区别，一个典型的对比如下图，可以看到GPU的Memeory Hierarchy设计的时候更注意带宽或者说Throughput，而相比之下对Latency就没有CPU重视， GPU Cache容量也相对比较小。

那我们不禁要问，GPU的Latency指标这么糟糕，按照我们先前的计算，Cache不命中的后果是不是很严重？不过不要担心，CPU的Cache不命中可能会导致叫停流水线的严重后果，而对GPU，只要计算任务量足够，它的硬件调度器（Hardware Scheduler）能够自动在不同的任务间无缝切换，来掩藏特定任务访问memory带来的延迟。关于GPU的Latency hiding，值得大书特书，我们以后会详细讨论。