Cell を 用いて大きなベクトルの内積プログラムを書いてみた。
行列のサイズが大きくなっていくと、PPE か SPE いずれかが DMA 転送できるサイズに分割してあげなくてはならない。というのも DMA 転送は最大サイズが 16 kbyte であるためである。様々なところで PPE の処理能力がボトルネックであるとさんざん聞いてきたので、PPE には「各 SPE に担当させる範囲の割り振り」、「各 SPE からの処理結果の統合」といった最小の Job のみにとどめるようにした。SDK 2.1 の Sample の Euler Particle-System Simulation がとても参考になった。
■前提
・ベクトルのサイズはある程度大きく、SPE にのらない。
・ある程度の精度が必要であるため、Cell の得意とする float ではなく double を用いる。
・処理に用いる２つのベクトルはともに double 配列で用意する。
・内積結果は単に double で格納する。
■流れ
[PPE]処理に用いるベクトルの用意
[PPE]各 SPE が担当する範囲を「 DMA 転送に用いる構造体」に格納する。
[PPE]spe_context_create 、 spe_program_load 、 pthread_create で SPE Program を実行。
[SPE]まずは「構造体」を DMA 転送し、パラメータを得る。
[SPE]担当する範囲が終わるまで、２つのベクトル を DMA 転送し、内積演算する。
[SPE]最終的な内積結果を PPE へ DMA 転送で返す。
[PPE]pthread_join で SPE の終了待ち。
[PPE]各 SPE の内積結果を１つにまとめる。
実行結果を見てみると、うまくいっているようだ。かなり小さい桁では若干の誤差があるが、 double の精度よりもさらに小さいところであるので、無視してよいだろう。また実行時間計測してみて、SPE １つ１つの実行はかなり高速であるのだが、全体ではあまり早くない。やはりスレッド起動に時間がかかっているか、サイズを変えても全体の実行時間はあまり小さくならない。100要素でも、1000000 要素でも、6 [msec] ほどかかってしまう。まずは SPE Program を double buffer ver. にするなどいろいろ試してみることにしよう。
行列のサイズが大きくなっていくと、PPE か SPE いずれかが DMA 転送できるサイズに分割してあげなくてはならない。というのも DMA 転送は最大サイズが 16 kbyte であるためである。様々なところで PPE の処理能力がボトルネックであるとさんざん聞いてきたので、PPE には「各 SPE に担当させる範囲の割り振り」、「各 SPE からの処理結果の統合」といった最小の Job のみにとどめるようにした。SDK 2.1 の Sample の Euler Particle-System Simulation がとても参考になった。
■前提
・ベクトルのサイズはある程度大きく、SPE にのらない。
・ある程度の精度が必要であるため、Cell の得意とする float ではなく double を用いる。
・処理に用いる２つのベクトルはともに double 配列で用意する。
・内積結果は単に double で格納する。
■流れ
[PPE]処理に用いるベクトルの用意
[PPE]各 SPE が担当する範囲を「 DMA 転送に用いる構造体」に格納する。
[PPE]spe_context_create 、 spe_program_load 、 pthread_create で SPE Program を実行。
[SPE]まずは「構造体」を DMA 転送し、パラメータを得る。
[SPE]担当する範囲が終わるまで、２つのベクトル を DMA 転送し、内積演算する。
[SPE]最終的な内積結果を PPE へ DMA 転送で返す。
[PPE]pthread_join で SPE の終了待ち。
[PPE]各 SPE の内積結果を１つにまとめる。
実行結果を見てみると、うまくいっているようだ。かなり小さい桁では若干の誤差があるが、 double の精度よりもさらに小さいところであるので、無視してよいだろう。また実行時間計測してみて、SPE １つ１つの実行はかなり高速であるのだが、全体ではあまり早くない。やはりスレッド起動に時間がかかっているか、サイズを変えても全体の実行時間はあまり小さくならない。100要素でも、1000000 要素でも、6 [msec] ほどかかってしまう。まずは SPE Program を double buffer ver. にするなどいろいろ試してみることにしよう。