是否可以通过cupy(或chainer)从GPU异步传输内存?
我正在训练一个相对较小的网络,其中包含非常大的数据,这些数据不适合GPU内存.
此数据应保存在CPU内存中,并提供给GPU以按顺序进行小批量计算.
内存传输时间是此应用程序的主要瓶颈.
我认为异步内存传输解决了这个问题,即
在计算一个小批量时,另一个小批量在后台转移到GPU.
我想知道它可以用cupy.cuda.Stream类,但我还不知道.
我将不胜感激任何意见/建议.
编辑:
我认为以下代码进行异步内存传输,但不是.
import numpy as np
import cupy as cp
a_cpu = np.ones((10000, 10000), dtype=np.float32)
b_cpu = np.ones((10000, 10000), dtype=np.float32)
a_stream = cp.cuda.Stream(non_blocking=True)
b_stream = cp.cuda.Stream(non_blocking=True)
a_gpu = cp.empty_like(a_cpu)
b_gpu = cp.empty_like(b_cpu)
a_gpu.set(a_cpu, stream=a_stream)
b_gpu.set(b_cpu, stream=b_stream)
# This should start before b_gpu.set() is finished.
a_gpu *= 2
nvvp显示内存传输按顺序进行.
最佳答案 我找到了一个解决方案,潜入
chainer source code.
在构造np.ndarray时,一个关键点似乎是保留一个固定的内存缓冲区.
def pinned_array(array):
# first constructing pinned memory
mem = cupy.cuda.alloc_pinned_memory(array.nbytes)
src = numpy.frombuffer(
mem, array.dtype, array.size).reshape(array.shape)
src[...] = array
return src
a_cpu = np.ones((10000, 10000), dtype=np.float32)
b_cpu = np.ones((10000, 10000), dtype=np.float32)
# np.ndarray with pinned memory
a_cpu = pinned_array(a_cpu)
b_cpu = pinned_array(b_cpu)
a_stream = cp.cuda.Stream(non_blocking=True)
b_stream = cp.cuda.Stream(non_blocking=True)
a_gpu = cp.empty_like(a_cpu)
b_gpu = cp.empty_like(b_cpu)
a_gpu.set(a_cpu, stream=a_stream)
b_gpu.set(b_cpu, stream=b_stream)
# wait until a_cpu is copied in a_gpu
a_stream.synchronize()
# This line runs parallel to b_gpu.set()
a_gpu *= 2