英伟达的GPU(4)

更第四篇，上周有点私事，恢复更新

上次的文章 英伟达的GPU(3) (qq.com)

书接前文，我们上章说要更新GPU的内存机制，本次就讲点这个

   先做个定义，我们说内存（显存），也分物理内存（SRAM,DRAM.HBM）和逻辑内存(逻辑可访问地址，这个倒和物理不一定1:1对应)，这个和处理CPU的项目的时候没啥区别。

      我们之前讲过CUDA编程体系块和线程等逻辑概念。这块不熟悉的可以看第二章 英伟达的GPU(2) (qq.com)。

      block，thread啥的各自有各自的工作范围，这些范围其实就是分配GPU逻辑内存和管理线程，block之类资源的一个标尺

• Local Memory：每个线程都有本地内存，存储临时变量。范围最小因为就服务于每个单独的线程。

• Shared Memory：同一个Block内的线程可以用共享内存共享数据。与访问全局内存相比，这允许同一块内的线程更快地通信和访问数据，因为近一阶。

• Global Memory：这是GPU中最大的内存，可以被所有块上的所有线程访问。但是慢吗，离得远。

• Texture and Constant Memory：GPU 中的特殊内存，针对访问特定数据类型（例如纹理或常量值）进行了优化。所有块中的所有线程都可以访问这些内存类型。

     

      然后我们看实际的物理内存上半部分是CPU的维度，下半部分的On-chip才是GPU的维度，然而这里有一个小误区，HBM虽然是GPU上面的，然后被换分在了Off chip的领域。就是上面的绿色部分的Device memory。

      绿色的HBM（Device memory），由于操作系统也不在CPU那边，所以比如你要是训练，或者推理时候读取数据，模型，还得从能掌管IO的CPU的内存那边拿数，CPU的内存和HBM显存之间想通信，一般是经过PCIE，这个图有点老，PCIE还显示6.4Gbps, 实际上现在的PCIE Gen5都15.6G了，下一代Gen6能到256。

      另外我比较推崇的GH200，或者GB200架构

      如图所示，Hopper也就是H100GPU，不光是用Nvlink链接到NVswitch上面，而且可以和Grace CPU之间有900GB/s的双向通信的C/2链接。

      这个怎么理解?

      NV虽然一直耍心眼总标双向带宽，比如900GB其实是单向450GB，但是毕竟是大B啊，所以合3.6T/s的单向传输速度。

     贵肯定是贵，但是你要比PCIE的呢？H100标准的Gen5 PCIE 的CPU和GPU之间应该是2根PCIE GEN5, 编码是128b/130b的，传输速度能跑到128Gbps已经是极限。

     差28倍！

     当然有"懂"的兄弟这时候会实时的抛来一个challenge ，例如“你到底懂不懂啊？Nvlink也就链接GPU的时候有用，负责做本机箱内的GPU联合通讯源语的时候有用，跟CPU有啥关系"，其实如果能喷出来到这个级别的哥们还是挺专业的，但是我的补充一下，在现在NVlink5一根都1.8TB/s的情况下，其实压力不特别在机箱这侧，因为满打满算8个。至于为什么在CPU这，懂的兄弟就不解释了，也没什么可解释的，做个train的都懂。不懂的我卖个关子，后面讲（其实看我原来的一些文章都有解释...）。

     

     然后比如拿H100举例，从HBM把模型和tokens读上来之后，就进入到缓存体系了，GPU目前主流设计还是以2级缓存为主。你们经常玩的flash-attention也主要工作在这个部分。

    NVIDIA A100 GPU 的缓存架构包括两级缓存：

1. 一级缓存（L1 Cache）：每个流式多处理器（SM）都有自己的一级缓存。A100 的一级缓存为每个 SM 提供 192KB 的缓存。一级缓存在 A100 中被实现为共享内存/缓存组合，提供低延迟访问每个 SM 中经常使用的数据和指令。

2. 二级缓存（L2 Cache）：A100 GPU 具有一个全球二级缓存，所有 SM 共享这个缓存。二级缓存的大小为 40MB，显著大于一级缓存。二级缓存有助于减少跨 SM 数据访问的延迟，并减少对高带宽内存（HBM）的需求。

     一级缓存（L1 Cache）位于每个 SM 内部，由于其需要低延迟操作，通常使用 SRAM（静态随机存取存储器）实现。二级缓存（L2 Cache）也通常使用 SRAM 实现，以满足高速度访问的需求。

    一级在SM内部，纯粹的片上片，所以虽然两个缓存都是SRAM，但是大小区别很大，因为就近的和tensor core或者cuda core通信，所以L1那边也是速度起飞

     这两级缓存协同工作，提高了 A100 GPU 的整体效率和性能，减少了对 HBM 内存的延迟和带宽需求

     从下到上，速度的和延迟也是成线性的递增状态，延迟呈现线性递减（图上左边有标准）

      再往上就是寄存器了，那也不能和这些标准存储来相比，也没啥可谈的。

     下面这个表是在不同传输存储介质里面A100的延迟，带宽，计算密度，线程的一些对比

     今天内存，缓存就讲到这里，后面deepdive一下，tensor core和显存，cache的合作机制，workflow，然后讲Nvlink，再后面讲讲A，H，B和R的架构，然后基本这个系列就结束了。