Random Heightmap on GPU

Präsentation zum Thema: "Random Heightmap on GPU"—  Präsentation transkript:

1 Random Heightmap on GPU
Hauptseminar MAP08 Random Heightmap on GPU Hannes Stadler, Sebastian Graf Betreuung: Matthias Hartl, Hritam Dutta, Frank Hannig Hardware-Software-Co-Design Universität Erlangen-Nürnberg Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

2 Gliederung Was ist eine Heightmap? Fault Algorithmus
Parallelisierung des Fault Algorithmus Umsetzung in Cuda Benchmarks Probleme Zusammenfassung Kurzen Überblick geben, was in den nächsten 20 Minuten behandelt wird Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

3 Was ist eine Heightmap? dt. Höhenfeld Zwei-dimensionales Skalarfeld
Beschreibung eines Höhenreliefs Jedem Punkt ist ein Wert zugeordnet, der dessen Höhe angibt Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

4 Fault Algorithmus Erzeuge ein ebenes 2-dimensionales Grid Algorithmus:
Wähle zwei zufällige Punkte im R² Lege Gerade durch diese zwei Punkte Erhöhe alle Punkte auf der eine Seite der Gerade, erniedrige die auf der anderen um einen konstanten Wert Wiederhole diese Schritte für eine vorher festgelegt Anzahl von Iterationen Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

5 Fault Algorithmus Pseudo-Code: foreach(Iteration) {
CreateRandomLine(); foreach( RowOfImage) foreach(PixelOfRow) processNewValue(); } Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

6 Fault Algorithmus Friedrich-Alexander-Universität Erlangen-Nürnberg
Hannes Stadler, Sebastian Graf

7 Variationen des Fault Algorithmus
Multiplikation der Geraden mit Sinus/Cosinus um weiche Übergänge an den Kanten zu bekommen Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

8 Parallelisierung Fault Algorithmus
Algorithmus besteht aus drei for-Schleifen Parallelisierung der Schleifen: 1.for-Schleife durchläuft Anzahl der Iterationen  mehrere Iterationen parallel möglich, da unabhängig 2.for-Schleife führt Berechung für jede Zeile im Bild aus Parallelisierbar, da Zeilen unabhängig 3.for-Schleife arbeitet auf genau einer Zeile Pro Zeile eine Grenze ( Schnittpunkt mit der Geraden), Aufteilung in Teil der erhöht und der erniedrigt wird Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

9 Umsetzung in CUDA Naiver Ansatz: Optimierter Ansatz:
Laden des Grids in Global Memory Threads arbeiten auf Daten im Global Memory Probleme mit Nebenläufigkeit, Performance etc. Optimierter Ansatz: Aufteilung des Grids in Blöcke Block in Shared Memory laden Berechnung aller Iterationen für jeweiligen Block Danach wieder zurück in Global Memory speichern Weitere Optimierungen: Coalesced Speicherzugriff der Threads Zugriff auf Zufallzahlen über Constant Memory Oder: Zufallszahlen auf der GPU erzeugen Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

10 Quellcode – Kernelaufruf
int CreateHeightMap() { CUT_DEVICE_INIT(); dim3 threads(TPL,ZPB);// 16 x 16 dim3 grid(WIDTH/BLOCKWIDTH,HEIGHT/ZPB); // 1k x 1k -> 64 x 8, bei 2k x 2k -> 128 x 16 int rand[ITERATIONS*4]; for(i=0;i<ITERATIONS*4;i++){ // rand[ ] mit Zufallszahlen füllen } CUDA_SAFE_CALL(cudaMemcpyToSymbol(rand_d, rand ,ITERATIONS*4*sizeof(int),0) ); GLfloat* HeightMap_d; CUDA_SAFE_CALL(cudaMalloc((void**) &HeightMap_d, WIDTH*HEIGHT*sizeof(float))); splitpicture<<<grid, threads>>>(HeightMap_d); CUDA_SAFE_CALL(cudaMemcpy(HeightMap, HeightMap_d , WIDTH*HEIGHT*sizeof(float), cudaMemcpyDeviceToHost) ); Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

11 Quellcode – Kernel extern __constant__ int rand_d[];
__global__ void splitpicture(GLfloat *HeightMap_d) { __shared__ float aRow[ZPB][SMB/ZPB]; // Init. mit default-Wert weggelassen for(int i = 0; i < ITERATIONS; i++){ // Variableninitialisierung, random-Werte, „Wendestelle“ bestimmen for(int a=0;a<((SMB/ZPB)/TPL);a++){ int rel_pos=threadIdx.x*(BLOCKWIDTH/TPL) + a; aRow[threadIdx.y][rel_pos] +=4*faktor*((float)value)*(1-__sinf(phi)/WAVEWIDTH); } for(int j = 0; j < ((SMB/ZPB)/TPL); j++){ HeightMap_d[offset+threadIdx.y*WIDTH+threadIdx.x*(BW/TPL)+j] = aRow[threadIdx.y][threadIdx.x*(BLOCKWIDTH/TPL)+j]; Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

12 Probleme CUDA-Kernel kann unter X-Linux leider nur max. 5sek laufen, bevor er terminiert wird der Komplexität der Aufgabe ist ein Ende gesetzt ;-) Komischerweise klappts manchmal doch ab und an stürzt auch die GPU ab Bildgrößen müssen vielfache von Zweierpotenzen sein Im Idealfall: sind Zweiterpotenzen Ursprüngliche (naive) Implementierung hatte (im Vergleich zur Finalen Version) nur mäßige Performanz Man muss schon manchmal etwas genauer nachdenken Dokumentation von CUDA teilweise ungenau z.B. Shared Memory kann nicht voll ausgenutzt werden Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

13 Benchmarks - CPU CPU-Implementierung ( P4 – 3,0GHz ) Bildgröße
Iterationen Laufzeit MPixel/s 512x512 256 7,2s 9,32 1024x1024 28,7s 9,35 512 59,4s 9,04 1024 120,7s 8,90 2048 229s 9,38 4096 457,35s 9,39 2048x2048 1834s 9,37 4096x4096 ~3700s ~9,37 Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

14 Benchmarks - CUDA CUDA-Implementierung (GF 8800 GTX ) Bildgröße
Iterationen Laufzeit MPixel/s SpeedUp 512x512 256 0,015s 4473,92 480 1024x1024 0,059s 4549,75 486,44 512 0,118s 503,39 1024 0,235s 4569,11 513,62 2048 0,47s 487,23 4096 0,94s 486,54 2048x2048 0,92s 4668,44 497,83 1,84s 498,37 3,68s 4096x4096 3,60s 4772,19 509,72 7,20s 4768,21 513,46 3072x4096 7,40s 3484,76 372,55 Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

15 Zusammenfassung Auf der CPU teilweise nicht zumutbare Ausführungszeiten Allerdings noch größere Problemgrößen lösbar als mit CUDA, da kein Timeout Primitive CUDA-Implementierung Relativ schnell lauffähig Speedup bereits zwischen 10 und 40 Endversion: Enormer Speedup von ~ 500 Bereits bei kleinen Eingabedaten Sehr gut skalierend Allerdings auch nur durch viel Arbeit erreichbar Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf

16 Demo Fragen? Genug geredet, jetzt wird’s gezeigt!
Oder gibt’s bisher schon Fragen? Friedrich-Alexander-Universität Erlangen-Nürnberg Hannes Stadler, Sebastian Graf