CUDA矩阵库 - 李理的博客

本文的内容主要是翻译文档The CUDA Matrix library，介绍GPU上基于CUDA的矩阵库。更多本系列文章请点击Kaldi文档解读。

CUDA矩阵库通过用GPU来实习矩阵运算并且提供了类似Kaldi矩阵库的接口。

基本的原则为：如果你像把一部分计算放到GPU上，你可以声明CuMatrix或者CuVector来替代Matrix或者Vector。然后如果你配置好Kaldi使用GPU了而且Kaldi程序可以访问GPU，那么这些运算就会在GPU上运行。否则它们还是会在CPU上运行。如果你配置好了GPU并且程序初始化GPU设备后，CuMatrix和CuVector对象会把它们的值保存在GPU的内存里。

你不能把CuMatrix/CuVector与Matrix/Vector混合在一起进行运算，因为它们呆在不同的内存空间里，但是你可以在这两个空间里拷贝数据。Kaldi不会尝试自动决定哪些运算在GPU上运算更加高效：它完全需要程序员手动来控制。

如果configure脚本可以找到Nvidia的编译器nvcc，则它假设你需要编译GPU版本的Kaldi，它会定义HAVE_CUDA=1并且设置其它Makefile里的变量以便支持GPU的编译。如果你不想编译GPU版本的(即使有GPU)，那么可以使用--use-cuda=no来禁止它。如果脚本无法在常见的位置找到CUDA toolkit(可能你把它安装到比较特殊的位置了)，那么也可以通过类似”--cudatk-dir=/opt/cuda-4.2”来告诉脚本。如果你想知道configure脚本是否使用CUDA，可以在kaldi.mk里搜索CUDATKDIR，如果找到了就说明配置使用CUDA。我们也可以在编译后运行”cuda-compiled”这个命令。如果它正常结束(应该没有任何输出)，那么则表示安装成功，比如：

lili@lili-Precision-7720:~/codes/kaldinew/kaldi/egs/mini_librispeech/s5$ cuda-compiled
lili@lili-Precision-7720:~/codes/kaldinew/kaldi/egs/mini_librispeech/s5$ which cuda-compiled 
/home/lili/codes/kaldinew/kaldi/egs/mini_librispeech/s5/../../../src/nnet2bin/cuda-compiled

You can also tell from the logs whether a program is using the GPU. If it is using the GPU, you’ll see lines like this near the top of the program’s output:

通过程序的log也能判断是否使用了GPU。如果使用了GPU，你通常会看到类似如下的输出：

LOG (nnet-train-simple:IsComputeExclusive():cu-device.cc:229) CUDA setup operating under Compute Exclusive Mode.
LOG (nnet-train-simple:FinalizeActiveGpu():cu-device.cc:194) The active GPU is [1]: Tesla K10.G2.8GB  \
    free:3519M, used:64M, total:3583M, free/total:0.982121 version 3.0

除了在Makefile配置使用CUDA之外，所有需要使用GPU的程序都需要增加如下的代码：

#if HAVE_CUDA==1
    CuDevice::Instantiate().SelectGpuId(use_gpu);
#endif

上面的use_gpu是一个字符串，通常是来自命令行的选项(比如”--use-gpu=wait”)，它的值为如下中的一个：

yes 使用GPU(如果没有或者被别的进程占用则会crash)
no 不使用GPU
optional 如果有GPU则使用，没有则用CPU
wait 和yes类似，但是如果GPU被别的进程使用，则它会等待直到有空闲的GPU

如果程序没有通过命令行选项--use-gpu指定，那么即使它的代码里使用了CuVector和CuMatrix，它也不会GPU上的运算。通常我们只在神经网络的训练里使用GPU。

Nvidia的GPU(目前Kaldi只支持Nvidia的GPU)有许多不同的”计算模式(compute modes)”：”default”、”process exclusive”和”thread exclusive”。它用于控制一个GPU是否同时运行多个进程。Kaldi推荐运行在独占模式(exclusive mode)，进程独占(process exclusive)或者线程独占(thread exclusive)都可以。你可以使用下面的命令来查询目前GPU的计算模式：

# nvidia-smi  --query | grep 'Compute Mode'
    Compute Mode                    : Exclusive_Process

如果模式不是独占，那么可以使用命令(需要root权限)：

# nvidia-smi -c Exclusive_Process

来设置。我们可能需要把上面的命令加到启动脚本里，以避免重启机器后恢复默认的”Default”模式。

Kaldi会cache之前释放的GPU内存(类似于简单的自动内存管理)而不是直接调用Nvidia提供的malloc和free函数，这可以避免malloc的overhead。这么做的原因是我们发现啊Amazon的云服务器上发现Nvidia的malloc非常慢。帧是由于虚拟机带来的问题，但是我们不确定这个问题释放还存在。如果你运行的模式是默认(非独占的)模式的话，它可能会造成内存分配失败。你可以在代码里加入”CuDevice::Instantiate().DisableCaching()”来禁用cache。

FEATURED TAGS

人工智能深度学习 chatbot PyTorch Java BERT git 编程 OCR 汪曾祺语音识别 Kaldi Linux XLNet 情感分析 sentiment analysis 语法纠错 Transformer Tensorflow Huggingface Ubuntu TensorFlow 深度学习框架 Tensor2Tensor 机器翻译微信 wechat automation selenium webdriver pywinauto CentOS GPU Appium t2t 代码阅读中英翻译公众号爬虫 ocr tesseract pytesseract python 默认参数位置参数 VPN JSON Jackson huggingface PagedAttention vLLM Pre-training LLM CPT weather forecasting graph neural networks qlora quantization transformers cmake pip pipenv conda padding vscode debug source code build deep learning Speech ASR linux pytorch extension Deep Learning

FRIENDS

Li Li