BenchmarkingTutorial项目：GPU张量核心操作的正确计数方法

项目背景

BenchmarkingTutorial是一个专注于GPU性能基准测试的开源项目，特别关注Nvidia GPU中张量核心(Tensor Core)的性能测量。该项目通过多种技术手段，包括CUDA C++和PTX汇编，探索不同GPU架构下矩阵乘法等张量操作的性能特征。

张量核心计数的挑战

测量张量核心的吞吐量(TOPS)是一个复杂的技术挑战，主要原因在于：

1. 指令集多样性：Nvidia每一代GPU都会引入新的矩阵乘法指令、新的数据块大小、新的数值类型以及混合精度方案。这些变化形成了PTX IR中最长的指令之一。

2. 协作规模变化：不同GPU架构中，张量核心的调度和协作执行规模各不相同：

   • Volta之前的架构：每个GPU线程执行自己的标量乘加操作
   • Volta架构：8个线程组成"quadpair"协作执行矩阵乘法
   • Ampere架构：32个线程组成的"warp"共同工作
   • Hopper架构：128个线程(4个连续warp)组成"warp group"
   • Blackwell架构：引入全新的tcgen05.*指令命名空间

3. 编译器优化干扰：PTXAS汇编器会优化掉看似无用的代码块，这使得准确测量变得困难。

解决方案

项目通过以下方法解决了这些挑战：

协作规模标记与TOPS计算

针对不同架构的协作规模差异，项目明确标记了每种指令家族的协作"规模"，并采用不同的TOPS计算方法。例如：

• Volta的"quadpair"：8线程协作
• Ampere的warp：32线程协作
• Hopper的warp group：128线程协作

防止编译器优化的技巧

1. CUDA C++中的条件保护：

if (threadIdx.x == 2147483647) wmma::store_matrix_sync(nullptr, c_frag, 16, wmma::mem_row_major);

通过添加不可能的条件和看似有副作用的操作，防止编译器优化掉关键计算。

2. PTX中的全局变量导出：

.visible .global .align 4 .f32 dummy_sink_f32[32];
st.global.volatile.f32 [dummy_sink_f32], accum0;

定义全局变量并强制写入计算结果，使计算变得"可观察"。

3. WGMMA的有效描述符： 对于Hopper的WGMMA指令，项目展示了如何组装有效的共享内存块描述符，即使只是用于基准测试。

技术实现细节

项目新增了多种PTX内核来展示GPGPU开发的不同方面：

1. 精度支持扩展：

   • 为Ampere添加了f16f32 WMMA变体
   • 为Volta添加了f16f32 MMA变体

2. WGMMA优化：

   • 添加了内联PTX的C++实现
   • 实现了WGMMA同步机制
   • 移除了小型WGMMA以保持代码简洁

3. 同步与等待：

   • 修复了tf32性能问题
   • 正确实现了栅栏等待机制

性能测量最佳实践

基于项目经验，进行GPU张量核心性能测量时应注意：

1. 了解目标GPU架构的协作规模特性
2. 使用适当的防护措施防止编译器过度优化
3. 对于WGMMA等新指令，确保内存描述符有效
4. 考虑不同精度模式(f16f32, tf32等)的性能差异
5. 正确实现同步机制，特别是对于异步操作

总结

BenchmarkingTutorial项目深入研究了GPU张量核心性能测量的复杂性，提供了实用的解决方案和代码示例。通过理解不同GPU架构的特性、采用适当的防护措施防止编译器优化、以及正确实现各种同步机制，开发者可以更准确地测量和比较不同GPU架构下张量核心的实际性能表现。这些技术对于深度学习框架优化、高性能计算应用开发等领域具有重要参考价值。