GPUプログラミング 初級編

前回に引き続き、OpenACCを使ったICCG法の高速化手法について考えてみます。
オリジナルのプログラムは東大情報基盤センターの講習会、「OpenMPによるマルチコア・メニィコア並列プログラミング入門」のページから入手できます。

ダウンロードしたmulticore-c.tarを解凍した後に出来る、マルチカラー並列化されたICCGソルバーのmulticore-c/L2/src/solver_ICCG_mc.c をベースに解説します。

2020年12月

OpenACCの基本的な考え方や使い方については、前回まででおおよそ説明しきってしまいました。

それでは習うより慣れろということで、今までの総仕上げとして、ICCG法プログラムのOpenACC実装についてご紹介します。

2020年11月

前回は、OpenACCプログラムにおけるGPU向けライブラリプログラムの呼び出し方の解説に加え、行列積のような計算量オーダーの大きな計算パターンにおいては、GPUの性能を発揮するためのプログラムの最適化を十分に行えず、満足な性能が得られない可能性があることを解説しました。
今回はここをもう少し掘り下げて、GPUプログラミングにおける最適化とOpenACCの関係性について解説します。

2020年10月

前回に引き続き、OpenACCでうまく行かないケースとその解決策について学びます。

特に計算が複雑になればなるほど、思ったほどの性能が出ないケースが増えてきます。

そんな時はどうしたら良いのでしょうか？

2020年09月

はじめに、OpenACCで扱えないわけではないけど、扱うのがとても面倒な構造体について紹介します。構造体の面倒な点は２つあります。

面倒 ①：そもそもGPUの仕組み的に、構造体は速度低下の原因になり得る。

面倒 ②：CPUとGPUのメモリが独立していることに起因する、ディープコピーと呼ばれる問題。

2020年08月

今回で拡散方程式のプログラム例は終わりです。
ここまで学んだこと(+α)のまとめとして、何をすればどのくらい速くなるのかを見ていきます。
ここまでで解説した指示文(+α）を使って最適化した場合、どのくらい速くなるのか確認してみましょう。

図1のグラフは、東京大学のReedbushスパコンを使い、CPUとGPUの性能比較をしたものです。
CPUはIntel Xeon E5-2695v4 (Broadwell-EP) を1ソケット(18 コア)、GPUはNVIDIA Tesla P100を1基使っています。

2020年07月

GPUを使う上で必ず考えなければならないのが、プログラムの実行速度です。

今あるプログラムを速くするためにわざわざOpenACC化を進めているわけですから、遅かったら意味がないのです。

では、プログラムの実行時間はどのように確認したらよいでしょうか？

中級編スタート！

星野先生への質問 BOX

第12回：OpenACCを使ったICCG法の高速化つづき＜初級編最終回＞

第11回：OpenACCを使ったICCG法の高速化

第10回：OpenACCでできる最適化とは？

第9回：速くならない？とりあえずライブラリに頼ろう！

第8回：OpenACCでも扱えるけど面倒な構造体

第7回：今あるプログラムを楽に速くするためには

第6回：プログラムの実行時間を確認しよう