PCWatch) G70 & R520等次世代GPU、將Multi-threadin標準化 翻译 by eji

Edison

http://pc.watch.impress.co.jp/docs/2005/0713/kaigai198.htm

這篇有個有趣的地方，就是第一個R520確實的spec出現了：
128 way multi-thread。
同樣的算法是C1 (64threads) 的兩倍。

這有兩個方向：

1. 和C1同樣
16ALU per bank，然後兩倍大(6bank?)

2. 每個bank小很多，
所以每個bank可以要在更多thread之間跳，
用來爭取效率。


G70 与 R520、下一世代的GPU将Multi-threading列为标准

> NV40/G70视Shader种类而实作不同的Multi-threading。

目前已知有Multi-Threading的GPU，NVIDIA有NV40系列、G70系列、还有PS3所装载的RSX。
ATI的化则有次世代GPU的R520。不过Multi-threading并不是GPU两强的独占技术，而是整个业界的趋势。比方说S3 Graphics的次世代产品「Destination」等，也提到会实装类似的Multi-threading技术。看来，未来的GPU而言Multi-threading将会成为标准功能吧。

至于各公司又如何实作这个功能呢？

由NVIDIA的GPU结构设计师John Montrym去年夏天于HotChips的简报所提到的数据，NV40的VS每个单元可以有最大3个thread实行的能力。NVIDIA的David B. Kirk针对这部份(每个VS有3way的 multi-threading)也是直接肯定了这个部份。NV40有6个VS，就是共计18threads。而且据Kirk先生所说，G70与NV40在这方面是相同的，所以RSX应该也是相同。

而根据Kirk先生所说，NV40的PS也进行了Multi-threading。可是到底有能够处理多少数量的thread则没有明确公布出来。NVIDIA的论文(「The GeForce 6800」，John Montrym & Henry Moreton, IEEE MICRO MARCH-APRIL 2005)则提到「为了隐藏对存取外部内存而带来的延迟，各个Fragment Processor(PS)能够维持住100个in-flight thread(正在执行的thread)的stage(信息)」。而在去年秋天的访谈中，Kirk先生则做了下列的说明。

「Shader在对每个pixel执行过指令1后，会对别的pixel执行指令1。也就是说，对一开始的第一个pixel执行指令2，有可能是在100个cycle之后的事情了。」

常识上来说，比VS还要有更多texture fetch的PS，理所当然会在更多的thread间做平行处理。NV40/G70的Pixel shader实际上到底有多少的平行度并不清楚，但是应该至少比VS的平行度更宽广。



> 对Unified Shader进行Multi-threading的ATI

由于ATI开发的XBox360GPU是Unified Shader结构的关系，并没有VS与PS的分别。XBOX360的Shader全部总共可以控制64个in-flight thread。「我们在芯片里面准备了state buffer。所以可以on-the-fly 切换64个thread。」(Robert Feldstein、ATI Technologies, Vice President - Engineering)

从Feldstein先生的说法，48个XBox360的Shader，每16个分成一个群组，并且以threading来控制。「我们将处理器每16个分成一个单元，共分割成三个。并且每个单元(16个shader)各自执行不同的thread。所以(没有进行threading变换)的状况下，即使有一个单元停滞了，另外两个thread、32个shader仍然会继续动作。」Feldstein先生如是说。

也就是说，每个单元(16 shader)共执行三个threrad，然后可以在共计64个thread上切换。在这边虽然对NVIDIA与ATI两家公司彼此的「对thread的定义」是否相同抱持着疑问，但是至少可以知道，ATI也有宽广的平行度。



此外，ATI的PC用新GPU R520，能进行总共128way的 Multi-threading。也就是说，它能够控制Xbox 360约两倍的thread。由某位PC业界人士所说，ATI对顾客表示R520的结构上Multi-threading是非常重要的部份。

其它GPU厂商的Multi-threading的部分虽然都还不清楚，但是到了Unified-Shader世代之后，应该所有厂商都会使用Multi-threading。由与GPU相关的情报来源指出，某个GPU厂商，将Unified Shader里面的每个Shader都设置了 thread queue，并且在每个queue之中存放了多个thread的stage，然后在thread之间切换。也就是说，通常都是每个shader各自分配到一个thread，然后做multi-threading(切换)，是一般的控制方法。

> 将SRAM分散到各个Shader，来作为state的保存

GPU整体来说大约有数十到上百的多thread。如果是CPU的话，各个CPU能做的Multi-thread也不过是每core约2way~4way的程度，相对于CPU而言，GPU做的Multi-threading的平行度都要大得多。

不过，不可避免地总是要做取舍。为了处理作业中的thread，各个thread的的stage(如Register file与各种控制的现况)都必须保存下来。

「各个pixel thread在做完shading之前，所有必要的state都需要在芯片内储存起来。有几个pixel，就会有几个thread要保存。」Kirk先生如是说。

为此，想要实作宽广的Multi-threading，等于就需要更多的晶体管数(芯片面积)。2004年8月召开的GPU通用运算会议(GP2)，史丹佛大学的Bill Dally先生(Computer Systems Laboratory, Stanford University)提到这个问题时说。Multi-threading由于必须保存所有的state信息，成本非常地高昂。(「Stream Processors vs. GPUs」, Bill Dally, GP2, August 8, 2004)

*:过去曾经引用过内文

不过，NVIDIA的Kirk先生表示，对GPU来说，即使这样(Multi-threading)仍然值得采用。

「NV40有着大量的晶体管。GPU Shader的结构上，不需要存在像是CPU那样极为庞大的Cache。所以可以将(本来会使用在Cache上的份量)的海量存储器，分散配置到管在线。而透过分散配置的内存来保持state内容，来确保Shader Core不会stall、而能够持续维持有效率的运作。

现在的CPU可能有几个MB等级的cache，但是GPU的cache并没有那么大。反过来说，由于将SRAM分散配置到流水线的许多个地方，并透过SRAM来储存state，来实现相当大量的multi-threading。也就是说，可以选择把SRAM分配在Cache容量上，来提高Cache的hit rate、减少存取DRAM的机会；或者把是SRAM拿来储存thread的state、提高thread的平行度，来隐藏存取内存的延迟，防止stall.... 整理起来就会像下面这样：

CPU--大容量SRAM用在Cache--Cache hitrate提高--减少DRAM存取--减少stall
GPU--大容量SRAM用在维持state--thread平行度提高--DRAM存取延迟的隐蔽--减少stall

所以，针对必然发生的cache miss来设计的GPU，实作的方向很明显地会趋向后者。

> GPU的 state 内容维持

说起来，GPU到底将哪些state用怎样的形式来保存起来，并没有被公开。CPU的状况就狠单纯地，将生成thread的母程序所占有的内存空间，整个thread持有的数据state与控制state都加以复制。4way multithread的话，就会维持完整的四份register file。

但是，向GPU这样的stream processor的话，有可能有不同的设计方法。比方说，史丹佛大学的Dally先生研究的Stream Processor的状况，就是将Register File透过阶层化的方式来管理。

而且，GPU的Register结构和CPU有很大的差异。以逻辑上来说，Shader有Temp、Input、Output的Register，以及Constant Register、Instruction Slot等。其中，以Temp、Input、Output这三个是每个Thread独立的。

存放指令slot的物理内存，是存放Shader Program的地方，以Shader来说不见得会有I-cache(当然也是有可能有)，而也有可能是存放在内存上。虽然有许多种不同的Stream Processor存在，不过GPU大部分的状况是程序固定而数据不同、也就是Program(Shader code)固定、而处理的不同数据(pixel or vertex)较多的状态。所以Instruction RAM不会随着处理的pixel、vertex不同而切换，或者也有可能是Shader之间共享同一份内存。

这部份的控制方法、state的保存方法都还没有被详细提及。

> GPU 是采用细单位的threading

Multi-threading的控制法有下列几个方法：

SMT(Simultaneous Multi-threading)
Fine-Grained Multi-threading
Coarse-Grained Multi-threading

SMT是类似Pentium-4的Hyper Threading那样，在同一个cycle内可以执行不只一个的指令的结构。并不是切换thread，而是可以同时执行完全不同的两个thread。

相比之下，Fine-Grained Multi-threading则不会在一个cycle里面同时执行两个指令。而是可以以cycle为单位切换执行不同的thread。Cell 的 PPE 的Multi-threading属于这种结构。

Crarse-Grained Multi-threading的话，只支持用更大的来切换thread。没办法在每个cycle里面切换thread，而只有在延迟相当大的事件发生时，才会切换thread。虽然切换thread本身也会有一定程度的延迟，但是至少会比将context switch回内存要来得快。

至于GPU所采用的，全部都是Fine-Grained Multi-threading。

「NV40的threading是Fine-Grained Multi-threading」(Kirk)
「(XBox360 GPU)以小单位来做threading，可以在每个cycle切换thread。」(Feldstein)

SMT对计算资源的利用虽然有效，但是控制相当复杂，而且如果计算资源本身的平行化不足的话就没有意义。如果只是为了隐藏内存存取的延迟，Fine-Grained Multi-threading已经相当有效。

> 如何触发thread切换

基本上，实际上的threading的话，应该会在发生较长延迟的状况才会进袭。

「包含Texture cache miss在内，有很多状况都会触发thread切换。某个thread在遇到阻碍它执行完毕的因素之前会执行到结束。在阻碍执行的因素里面，可能包含了cache miss、或者是需要的资源目前被其它的thread占用之类，有可能遇到很多种状况。条件分支也可能造成stall与thread切换。因为所需的数据是不是在cache里面，是受到分支的区域性来影响的。」(Kirk)

ATI也表示朝内存存取Texture的动作会启动threading，可是「分支(方向)执行错误(而stall)的状况，不会更换成其它thread。」(Robert先生)。可以看出在thread的上仍然有些落差。

此外，Shader program也和CPU上的program一样，都会进行比方说尽早提出Texture load之类的最佳化方法，来帮助隐藏内存存取延迟。Multi-threading乍看之下是与指令层级的静态排程(scheduling)结合，但是并非如此。推测应该是与CPU一样基本上在cache hit的时候以排程隐蔽较小的延迟，而在cache miss的时候透过multi-threading来隐蔽较大的延迟。

静态的排程与多执行绪的关系，其实与CPU是一样的。以IA-64为例，IA-64透过compiler，将load、store、还有分支之类的指令都往前排的手法，透过指令排程来隐蔽内存延迟。可是在此同时 Montecito 还引入了 Coarse-Grained multitheading，在发生更长的延迟的时候会进一步来切换thread。

Shader的Multi-thread举例


为了处理内存的延迟而朝multi-thread前进的GPU。由于Multi-thread会成为影响Shader效率的重要关键，而被视为未来GPU效率的重大影响因素。GPU的性能越来越不再是只单纯地受到流水线数量、Shader数量或是时脉等的因素影响，而越来越难以判断了。比方说，即使说「理论效能ＯＯGFLOPS」有高有低，实际上因为Multi-thread之类的Shader控制结构的不同会影响效率的原因，实际上的性能高下可能又是另外一回事了。

chena_cpp

不太懂，有些问题请指教。
如果一段PS代码里使用了Texture A，编译器会创建另外一个thread，在VS代码执行的时候就把A提前load进来？
驱动是怎么给VS，PS单元分配任务的？比如我现在调一个SetVertexShader()，会在哪个VS单元上执行？

chena_cpp

原帖由 RacingPHT 于 2006-8-17 21:40 发表
GPU流水线式作业, 不可能说先执行VS, 等VS执行完了再执行PS之类。所有的VS, PS分别执行同一段shader, 以MIMD或者SIMD的方式. 但就算是MIMD的方式, 也是同一代码, 不同分支而已. GPU的thread仅仅是硬件处理以隐藏数 ...

先感谢你的回复。
对，GPU都是流水线式作业，现在我理解了，以前想岔了。GPU的MultiThread只是一个Thread如果需要等待就切换到另外的Thread执行，不要干等。
不过我觉得还是应该有个调度问题，比如调用一个DrawPrimitive()就只渲染一个三角形，也要每个VS单元都执行？每个VS单元能执行的最小粒度应该是一个三角形。如果只有一个三角形选一个执行，其他的VS单元空着，如果有多个三角形，平均分到不同的VS单元执行？是这样吗？
还有SIMD的结构如何执行条件语句了？
我问的问题可能有点初级，还希望各位多多指教。谢谢。

[ 本帖最后由 chena_cpp 于 2006-8-19 01:17 编辑 ]

Prometheas

原帖由 chena_cpp 于 2006-8-17 20:40 发表
不太懂，有些问题请指教。
如果一段PS代码里使用了Texture A，编译器会创建另外一个thread，在VS代码执行的时候就把A提前load进来？
驱动是怎么给VS，PS单元分配任务的？比如我现在调一个SetVertexShader()，会 ...

要看你前面的代码，自己看看DX文档吧，我去年学的都忘了
这里研究编程的很少，这种问题可以去CSDN:sweatingbullets:

chena_cpp

原帖由 RacingPHT 于 2006-8-19 13:16 发表
VS执行的是单位是Vertex, Triangle属于Setup单元的工作(Setup目前应该是一个串行的部件). 三个Vertex可以使用三个VS单元来做, 至于其他的VS在做什么, 无所谓; 反正不影响结果就行. 不过要发挥GPU的性能, 产品级的 ...

谢谢。

chena_cpp

原帖由 Prometheas 于 2006-8-19 17:17 发表


要看你前面的代码，自己看看DX文档吧，我去年学的都忘了
这里研究编程的很少，这种问题可以去CSDN:sweatingbullets:

DX的文档没说这个问题吧。

ayanamei

原帖由 Prometheas 于 2006-8-19 17:17 发表


要看你前面的代码，自己看看DX文档吧，我去年学的都忘了
这里研究编程的很少，这种问题可以去CSDN:sweatingbullets:

这个东西不是DX能够控制的

Prometheas

原帖由 ayanamei 于 2006-8-20 00:08 发表

这个东西不是DX能够控制的

(_(DX9 HLSL中需要指定VS和PS版本，就像Cg的Profile一样

:sweatingbullets:可怜的Cg现在只能用于PS2了

Edison

Cg很早就已经可以用DX 9.0c，指定ps3/vs3 profile。

ayanamei

原帖由 Prometheas 于 2006-8-20 00:12 发表


(_(DX9 HLSL中需要指定VS和PS版本，就像Cg的Profile一样

:sweatingbullets:可怜的Cg现在只能用于PS2了

上面说的是具体操作GPU thread情况吧？