并行计算基础（1）（GPU架构介绍）
一、常用术语
Task：任务。可以完整得到结果的一个程序，一个程序段或若干个程序段。例如搬砖。
Parallel Task：并行任务。可以并行计算的任务。多个人搬砖。
Serial Execution：串行执行。一个人搬砖。
Parallel Execution：并行执行。多个人一起搬砖。
Shared Memory：共享存储。
Distributed Memory：分布式存储。砖放在不同的地方。
Communications：通信。几个人搬砖时互相安排下一次搬几个砖。
Synchronization：同步。若干个人一起拿砖、一起放砖，动作同步。
Granularity：粒度。任务划分时，任务的大小。
Observed Speedup：加速比。对比一个标志物，并行系统所能获得的性能提升。
Parallel Overhead：并行开销。
Scalability：可扩展性。并行数扩展后，性能是否线性提升，主要要注意并行通信等的开销问题。
二、Amdahl's Law并行加速比
如果有N个处理器并行处理：
$$\begin{aligned} speedup &=\frac{1}{\frac{P}{N}+S} \end{aligned}$$
并行化的可扩展性存在极限，主要取决于不能并行的部分（串行部分）：
三、GPU
FLOPS：Floating-point Operations Per Second ，每秒浮点运算操作数量
GFLOPS：One billion FlOPs，每秒十亿次浮点运算
TFLOPS：1000 GFLOPs，每秒万亿次浮点运算
在CPU-style核心中：
左边是主要进行计算的部分（干活），右边主要是为了让任务完成得更快而产生了一系列管理部件（占据了芯片的很大部分成本和面积）。
GPU结构的进化过程：
1.在GPU核心中，为其进行了瘦身，大量缩减了右边的管理机构，得到瘦身后的核，并使用多个核：
将这样的理念更深入的实现，就可以得到可以大量并行化的核：
这一系列并行核芯可以同时执行多个程序片元（即程序段），这些程序片元需要共享相同的指令流。因为如果不是相同的指令流，则需要很复杂的控制机构，那就变成了CPU style了。
（上述概念相当于增加了干活的人）
2.我们可以增加核的数量，那我们也可以加宽核（增加每个核的ALU数）：
在这个核中，我们就可以进行向量的运算（多个数据组成向量vector）。
（上述概念相当于增加了一个人可以同时处理的数据个数，一个人8把切西瓜的刀，一次切8个西瓜）
3.如何处理指令流中有分支的情况：
例如当x>0时，执行操作A，当x<0时，执行操作B：
如图，8个ALU执行同一个指令流，但是其中有3个的数据大于0，执行A操作。而剩下5个数据小于0，执行B操作。此时，A和B操作只能错开来执行，不能同时执行。那么这就会导致ALU存在一个性能的最坏情况，白白浪费。
4.停滞stalls的问题：
当核心要处理的数据还没准备好时（处理很快，数据访问速度慢），或者对其他任务的结果有依赖。则需要停滞下来进行等待，这样很浪费性能。
我们可以通过使用大量的独立片元相互切换来使核心一直有事情做。
如上图所示，当任务1没准备好时，就去做任务2,2没准备好就做任务3......
在切换这些任务的过程中，需要保存每次运行的上下文信息，所以每个核心都有一个叫上下文存储池的存储空间。
将存储空间分块：
空间划分数量多，则可以切换的任务数多，但每个任务所能存放的上下文就比较小。反之任务数少，每个任务存放上下文多。
（上下文切换可以是软件管理的也可以是硬件管理的，还可以是两者结合的，例如GPU主要是硬件管理的，而且上下文非常多）
5.FLOPS计算
如上图所示：
1). 16个核心cores
2). 每个核心8个计算单元ALUs，一共128个ALUs，即16核心 X 8个ALUs = 128
3). 16核就可以承载16路指令流
4). 每个核可以存储4个任务的上下文，则可以同时跑64路的指令流，即16核 X 4任务 = 64
5). 总的可以承载512个程序片元，即64个指令流 X 每核8个ALUs = 512
6).FLOPS 为256GFLOPS， 16核 X 8 ALUs X 1GHz X 2 = 256GFLOPS（为什么要乘以2）
6.GPU设计总结（工人阶级的血汗史）
1).使用瘦身的核，来增加并行处理数
2).每个核中塞N个ALUs
3).让其不停的干活，即任务切换
7.物理GPU的设计
NVIDIA GeForce GTX 480采用Fermi架构：
有480个SP（stream processors）流处理器，实际上就是ALUs。取名也叫CUDA core。
15个核心，这个核心叫SM，即流多处理器，Stream multiprocessor。
每个SM有两组，每组16个CUDA core，即32个ALUs。15 X 32 = 480。
GTX680：
每个SM中有192个CUDA cores（图中浅绿色部分）。SM更强，改名为SMX。
192个CUDA，但是每32个CUDA core作为一组，则需要6个组长，但实际上只有4个组长，这就需要动态的调度（具体调度方法不做了解）。
整个GTX680芯片由8个SMX组成。
8.显存
GPU芯片的很大部分面积都是CUDA core，而显存放在芯片的外面。
最重要的是访存带宽，因为CPU的运算是很快的，但是读写存储中的数据可能是很慢的。虽然目前GPU中的访存带宽做了专门的设计和优化，但对于GPU的运算能力来说还是不太够。但就算这样也比CPU快很多倍。
GPU中缓存的大小相对CPU更小，因为GPU的访存带宽比CPU大，所以处理好带宽的利用就好了。
减少带宽需求：
1).尽量减少数据的访问。
2).小数据打包访存，减少访存的次数。
9.高效的GPU任务具备的条件
1).具有成千上万的独立工作，尽量利用大量的ALU单元，大量的片元切换来掩藏延迟。
2).可以共享指令流，使用与SIMD处理。
3).最好是计算密集的任务，通信和计算开销比例合适，不要受制于访存带宽。
