为Blackwell GPU架构优化CUDA应用程序
基于Blackwell GPU架构的CUDA应用程序调优编程指南。
1. NVIDIA Blackwell调优指南
1.1. NVIDIA Blackwell GPU架构
NVIDIA® Blackwell GPU架构是NVIDIA为CUDA®计算应用推出的最新架构。NVIDIA Blackwell GPU架构保留并扩展了前代NVIDIA GPU架构（如NVIDIA Ampere和NVIDIA Hopper）提供的相同CUDA编程模型。遵循这些架构最佳实践的应用程序通常无需修改代码即可在Blackwell GPU上获得加速。本指南总结了如何通过利用NVIDIA Blackwell GPU架构的特性来微调应用程序以获得额外加速。1
如需了解本指南中讨论的编程功能的更多详细信息，请参阅CUDA C++ Programming Guide。
1.2. CUDA最佳实践
《CUDA C++编程指南》和《CUDA C++最佳实践指南》中描述的性能准则和最佳实践适用于所有支持CUDA的GPU架构。程序员主要需要遵循这些建议以获得最佳性能。
这些指南中的高优先级建议如下：
寻找并行化顺序代码的方法。
最小化主机与设备之间的数据传输。
调整内核启动配置以最大化设备利用率。
确保全局内存访问是合并的。
尽可能减少对全局内存的冗余访问。
避免同一warp内的线程执行过长的分支序列。
1.3. 应用兼容性
在解决本指南涵盖的具体性能调优问题之前，请参阅Blackwell Compatibility Guide for CUDA Applications，以确保您的应用程序以兼容NVIDIA Blackwell的方式进行编译。
1.4. NVIDIA Blackwell调优
1.4.1. 流式多处理器
NVIDIA Blackwell流式多处理器(SM)相比NVIDIA Hopper GPU架构提供了以下改进。
1.4.1.1. 占用率
对于计算能力10.0，每个SM的最大并发warp数为64；对于计算能力12.0，则为48。其他影响warp占用率的因素包括：
每个SM的寄存器文件大小为64K个32位寄存器。
每个线程的最大寄存器数量为255。
对于计算能力为10.0和12.0的设备，每个SM的最大线程块数为32。
对于计算能力10.0的设备，每个SM的共享内存容量为228 KB。对于计算能力12.0的设备，每个SM的共享内存容量为128KB。
对于计算能力10.0的设备，每个线程块的最大共享内存为227 KB。对于计算能力12.0的设备，每个线程块的最大共享内存为99 KB。
对于使用线程块集群的应用程序，始终建议使用
cudaOccupancyMaxActiveClusters计算占用率，并相应地启动基于集群的内核。
总体而言，开发者无需修改应用程序即可获得与NVIDIA Hopper GPU架构相似的占用率。
1.4.1.2. 线程块集群
NVIDIA Hopper架构引入了一个新的可选层次结构——线程块集群(Thread Block Clusters)，为应用程序并行化提供了更多可能性。Blackwell GPU同样支持线程块集群。线程块可以读取、写入其所在集群内其他线程块的共享内存，并执行原子操作。这一特性被称为分布式共享内存(Distributed Shared Memory)。如CUDA C++编程指南所示，某些应用无法将所需数据完全放入共享内存，必须转而使用全局内存。分布式共享内存可以作为这两种方案之间的中间选择。
分布式共享内存可以与L2缓存访问同时被SM使用。这有利于需要通过利用分布式共享内存和L2的组合带宽在SM之间通信数据的应用程序。
为了实现对分布式共享内存的最佳访问性能，应采用CUDA C++全局内存最佳实践指南中描述的访问模式。具体而言，应尽可能将分布式共享内存的访问合并并对齐到32字节段。如有可能，应避免使用非单位步长的访问模式，这可以通过使用本地共享内存来实现，类似于CUDA C++共享内存最佳实践指南中展示的方法。
支持的最大可移植集群大小为8；然而，NVIDIA Blackwell B200 GPU通过选择启用可支持16个不可移植集群大小。启动具有不可移植集群大小的内核需要设置cudaFuncAttributeNonPortableClusterSizeAllowed函数属性。使用更大的集群大小可能会减少GPU上活动块的最大数量（请参阅Occupancy）。
1.4.2. 内存系统
1.4.2.1. 高带宽内存HBM3子系统
NVIDIA B200 GPU支持HBM3和HBM3e内存，容量最高可达180 GB。
1.4.2.2. 提升的L2缓存容量
NVIDIA GB200 GPU将L2缓存容量提升至126 MB。
NVIDIA Blackwell架构允许CUDA用户控制L2缓存中数据的持久性，类似于NVIDIA Ampere GPU架构。有关L2缓存数据持久性的更多信息，请参阅CUDA C++编程指南中关于管理L2缓存的部分。
1.4.3. 第五代NVLink
第五代NVIDIA高速NVLink互连技术在B200 GPU中实现，通过每颗GPU提供更多连接、更快的通信带宽以及改进的错误检测和恢复功能，显著提升了多GPU系统的可扩展性、性能和可靠性。
NVLink在现有的CUDA模型中透明运行。通过NVLink连接的端点之间的传输会自动通过NVLink路由，而不是PCIe。cudaDeviceEnablePeerAccess() API调用仍然是启用GPU之间直接传输（通过PCIe或NVLink）的必要条件。cudaDeviceCanAccessPeer()可用于确定任何一对GPU之间是否可以进行对等访问。
2. 版本历史
版本 1.0
首次公开发布
新增对计算能力10.0和计算能力12.0的支持
- 1
在本指南中，NVIDIA Volta指计算能力7.0的设备，NVIDIA Turing指计算能力7.5的设备，NVIDIA Ampere GPU架构指计算能力8.x的设备，NVIDIA Hopper指计算能力9.0的设备，NVIDIA Blackwell指计算能力10.0的设备。
3. 通知
3.1. 注意事项
本文档仅供信息参考之用，不应视为对产品功能、状态或质量的保证。NVIDIA公司（“NVIDIA”）对本文件所含信息的准确性或完整性不作任何明示或暗示的陈述或保证，并对其中可能存在的错误不承担任何责任。NVIDIA对于因使用此类信息而产生的后果、或因使用该信息导致的第三方专利或其他权利侵权概不负责。本文件不构成对开发、发布或交付任何材料（定义见下文）、代码或功能的承诺。
NVIDIA保留随时对本文件进行更正、修改、增强、改进以及任何其他变更的权利，恕不另行通知。
客户在下单前应获取最新的相关信息，并确认这些信息是最新且完整的。
除非NVIDIA与客户授权代表签署的单独销售协议中另有约定，否则NVIDIA产品的销售均以订单确认时提供的NVIDIA标准销售条款和条件为准（以下简称"销售条款"）。NVIDIA特此明确反对将任何客户通用条款适用于本文件所述NVIDIA产品的采购。本文件不直接或间接构成任何合同义务。
NVIDIA产品并非设计、授权或保证适用于医疗、军事、航空、航天或生命支持设备，也不适用于那些可以合理预期NVIDIA产品故障或失灵会导致人身伤害、死亡、财产或环境损害的应用场景。NVIDIA对于在此类设备或应用中使用和/或包含NVIDIA产品不承担任何责任，因此客户需自行承担相关风险。
NVIDIA不声明或保证基于本文档的产品适用于任何特定用途。NVIDIA未必会对每个产品的所有参数进行测试。客户应全权负责评估和确定本文档所含信息的适用性，确保产品适合并满足客户计划的应用需求，并执行必要的应用测试以避免应用或产品出现故障。客户产品设计中的缺陷可能会影响NVIDIA产品的质量和可靠性，并可能导致超出本文档范围的其他或不同的条件和/或要求。对于任何因以下原因导致的故障、损坏、成本或问题，NVIDIA不承担任何责任：(i) 以违反本文档的任何方式使用NVIDIA产品或(ii) 客户产品设计。
本文档不授予任何NVIDIA专利权、版权或其他NVIDIA知识产权的明示或暗示许可。NVIDIA发布的关于第三方产品或服务的信息，不构成NVIDIA对这些产品或服务的使用许可或担保认可。使用此类信息可能需要获得第三方基于其专利或其他知识产权的许可，或需要获得NVIDIA基于其专利或其他知识产权的许可。
本文件中的信息仅可在获得NVIDIA事先书面批准、未经改动完整复制且完全符合所有适用的出口法律法规，并附带所有相关条件、限制和声明的情况下进行复制。
本文件及所有NVIDIA设计规格、参考板、文件、图纸、诊断工具、清单和其他文档（统称及单独称为"材料"）均以"现状"提供。NVIDIA不对材料作出任何明示或默示的保证，包括但不限于对不侵权、适销性和特定用途适用性的默示保证免责。在法律允许的最大范围内，NVIDIA不就因使用本文件导致的任何损害承担责任，包括但不限于任何直接、间接、特殊、附带、惩罚性或后果性损害，无论损害成因如何，也无论责任理论为何，即使NVIDIA已被告知发生此类损害的可能性。不论客户因任何原因可能遭受的任何损害，NVIDIA对客户就本文所述产品的全部及累计责任应受产品销售条款的限制。
3.2. OpenCL
OpenCL是苹果公司的商标，经Khronos Group Inc.授权使用。
3.3. 商标
NVIDIA和NVIDIA标识是美国及其他国家NVIDIA公司的商标或注册商标。其他公司及产品名称可能是其各自关联公司的商标。