CUDA racecheck、共享内存数组和 cudaDeviceSynchronize()

我最近发现了比赛检查的工具cuda内存检查，在 CUDA 5.0 中可用（cuda-memcheck --tool racecheck，参见英伟达文档 http://docs.nvidia.com/cuda/cuda-memcheck/index.html#using-racecheck）。该工具可以检测 CUDA 内核中共享内存的竞争条件。

在调试模式下，该工具没有检测到任何东西，这显然是正常的。但是，在发布模式下（-O3），根据问题的参数，我会收到错误。

下面是一个错误示例（第 22 行共享内存初始化，第 119 行赋值）：

========= ERROR: Potential WAW hazard detected at __shared__ 0x0 in block (35, 0, 0) :
=========     Write Thread (32, 0, 0) at 0x00000890 in ....h:119:void kernel_test3<float, unsigned int=4, unsigned int=32, unsigned int=64>(Data<float, unsigned int=4, unsigned int=32, unsigned int=64>*)
=========     Write Thread (0, 0, 0) at 0x00000048 in ....h:22:void kernel_test3<float, unsigned int=4, unsigned int=32, unsigned int=64>(Data<float, unsigned int=4, unsigned int=32, unsigned int=64>*)  
=========     Current Value : 13, Incoming Value : 0

1. 首先让我惊讶的是线程 ID。当我第一次遇到这个错误时，每个块包含 32 个线程（id 0 到 31）。那么为什么线程id 32会出现问题呢？我什至添加了额外的检查threadIdx.x，但这没有改变任何事情。
2. 我使用共享内存作为临时缓冲区，每个线程处理自己的多维数组参数，例如__shared__ float arr[SIZE_1][SIZE_2][NB_THREADS_PER_BLOCK]。我真的不明白怎么可能存在任何竞争条件，因为每个线程都处理自己的共享内存部分。
3. 将网格大小从 64 个块减少到 32 个块似乎可以解决该问题（每个块 32 个线程）。我不懂为什么。

为了了解发生了什么，我使用一些更简单的内核进行了测试。 让我向您展示一个产生此类错误的内核示例。基本上，这个内核使用SIZE_X*SIZE_Y*NTHREADS*sizeof(float)字节的共享内存，每个 SM 可以使用 48KB 的共享内存。

test.cu

template <unsigned int NTHREADS>
__global__ void kernel_test()
{
    const int SIZE_X = 4;
    const int SIZE_Y = 4;

    __shared__ float tmp[SIZE_X][SIZE_Y][NTHREADS];

    for (unsigned int i = 0; i < SIZE_X; i++)
        for (unsigned int j = 0; j < SIZE_Y; j++)
            tmp[i][j][threadIdx.x] = threadIdx.x;
}

int main()
{
  const unsigned int NTHREADS = 32;

  //kernel_test<NTHREADS><<<32, NTHREADS>>>(); // ---> works fine
  kernel_test<NTHREADS><<<64, NTHREADS>>>();

  cudaDeviceSynchronize(); // ---> gives racecheck errors if NBLOCKS > 32
}

汇编:

nvcc test.cu --ptxas-options=-v -o test

如果我们运行内核:

cuda-memcheck --tool racecheck test

• kernel_test<32><<<32, 32>>>();：32 个块，32 个线程 => 不会导致任何明显的竞赛检查错误。

• kernel_test<32><<<64, 32>>>();：64 个块，32 个线程 => 导致 WAW 危险（threadId.x= 32？！）和错误。

  ========= ERROR: Potential WAW hazard detected at __shared__ 0x6 in block (57, 0, 0) :  
  =========     Write Thread (0, 0, 0) at 0x00000048 in ....h:403:void kernel_test(void)  
  =========     Write Thread (1, 0, 0) at 0x00000048 in ....h:403:void kernel_test(void)  
  =========     Current Value : 0, Incoming Value : 128  
  
  ========= INFO:(Identical data being written) Potential WAW hazard detected at __shared__ 0x0 in block (47, 0, 0) :  
  =========     Write Thread (32, 0, 0) at 0x00000048 in ....h:403:void kernel_test(void)  
  =========     Write Thread (0, 0, 0) at 0x00000048 in ....h:403:void kernel_test(void)  
  =========     Current Value : 0, Incoming Value : 0  
  

那么我在这里缺少什么？我在共享内存方面做错了什么吗？ （我还是个初学者）

Update:

问题似乎来自于cudaDeviceSynchronize() when NBLOCKS > 32。为什么会发生这种情况？

对于初学者来说，cudaDeviceSynchronize() 不是原因；您的内核是原因，但它是异步调用，因此在调用 cudaDeviceSynchronize() 时会捕获错误。

对于内核，共享内存的大小为 SIZE_X*SIZE_Y*NTHREADS （在示例中转换为每块 512 个元素）。在嵌套循环中，您使用 [i*blockDim.x*SIZE_Y + j*blockDim.x + threadIdx.x] 对其进行索引 - 这就是您的问题所在。

更具体地说，您的 i 和 j 值的范围为 [0, 4)，您的 threadIdx.x 的范围为 [0, 32)，您的 SIZE_{X | Y} 值为 4。 当 blockDim.x 为 64 时，循环中使用的最大索引将为 991（来自 3*64*4 + 3*64 + 31）。当您的 blockDim.x 为 32 时，您的最大索引将为 511。

根据您的代码，只要您的 NBLOCKS 超过 NTHREADS，您就应该收到错误

注意：我最初将其发布到https://devtalk.nvidia.com/default/topic/527292/cuda-programming-and-performance/cuda-racecheck-shared-memory-array-and-cudadevicesynchronize-/ https://devtalk.nvidia.com/default/topic/527292/cuda-programming-and-performance/cuda-racecheck-shared-memory-array-and-cudadevicesynchronize-/