可以说至少有两个错误发布的代码 https://numba.pydata.org/numba-doc/latest/cuda/examples.html:
-
这不可能是正确的范围检查：
if x >= C.shape[0] and y >= C.shape[1]:
为了让我们决定网格中的特定线程不执行任何加载活动，我们需要either that x超出范围或y超出范围。这and应该是一个or.
-
It is illegal https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#synchronization-functions to use cuda.syncthreads()在条件代码中，如果块中的所有线程都不能参与该语句。以前的return上述第 1 项中的陈述（即使从and to or）几乎保证了问题大小不能被线程块大小整除的这种非法行为。
因此，要解决这些问题，我们不能仅仅使用简单的方法return越界线程的语句。相反，在加载点，我们必须只允许线程从全局加载到共享内存，如果计算出的全局加载索引（例如A or B) 是界内的（根据定义，共享索引是界内的）。此外，在写入结果时，我们必须只写入在范围内的计算结果C.
以下代码修复了这些项目。对于您给定的测试用例，它似乎可以正常工作：
$ cat t49.py
from numba import cuda, float32
import numpy as np
import math
@cuda.jit
def fast_matmul(A, B, C):
# Define an array in the shared memory
# The size and type of the arrays must be known at compile time
sA = cuda.shared.array(shape=(TPB, TPB), dtype=float32)
sB = cuda.shared.array(shape=(TPB, TPB), dtype=float32)
x, y = cuda.grid(2)
tx = cuda.threadIdx.x
ty = cuda.threadIdx.y
bpg = cuda.gridDim.x # blocks per grid
# Each thread computes one element in the result matrix.
# The dot product is chunked into dot products of TPB-long vectors.
tmp = float32(0.)
for i in range(bpg):
# Preload data into shared memory
sA[tx, ty] = 0
sB[tx, ty] = 0
if x < A.shape[0] and (ty+i*TPB) < A.shape[1]:
sA[tx, ty] = A[x, ty + i * TPB]
if y < B.shape[1] and (tx+i*TPB) < B.shape[0]:
sB[tx, ty] = B[tx + i * TPB, y]
# Wait until all threads finish preloading
cuda.syncthreads()
# Computes partial product on the shared memory
for j in range(TPB):
tmp += sA[tx, j] * sB[j, ty]
# Wait until all threads finish computing
cuda.syncthreads()
if x < C.shape[0] and y < C.shape[1]:
C[x, y] = tmp
#%%
x_h = np.arange(16).reshape([4,4])
y_h = np.ones([4,4])
z_h = np.zeros([4,4])
x_d = cuda.to_device(x_h)
y_d = cuda.to_device(y_h)
z_d = cuda.to_device(z_h)
TPB = 3
threadsperblock = (TPB, TPB)
blockspergrid_x = math.ceil(z_h.shape[0] / threadsperblock[0])
blockspergrid_y = math.ceil(z_h.shape[1] / threadsperblock[1])
blockspergrid = (blockspergrid_x, blockspergrid_y)
fast_matmul[blockspergrid, threadsperblock](x_d, y_d, z_d)
z_h = z_d.copy_to_host()
print(z_h)
print(x_h@y_h)
$ cuda-memcheck python t49.py
========= CUDA-MEMCHECK
[[ 6. 6. 6. 6.]
[22. 22. 22. 22.]
[38. 38. 38. 38.]
[54. 54. 54. 54.]]
[[ 6. 6. 6. 6.]
[22. 22. 22. 22.]
[38. 38. 38. 38.]
[54. 54. 54. 54.]]
========= ERROR SUMMARY: 0 errors
$
（注意使用and这里的边界测试是正确的。与测试一组索引是否出界相比，测试一组索引是否入界在布尔意义上是不同的。在界内测试中，我们要求两人都在界内。在越界测试中，任何一个索引越界都是取消资格）。
我并不是说上面的代码没有缺陷或适合任何特定目的。它旨在演示我发现的问题的可能修复方法。正如您所发现的，让共享内存平铺矩阵乘法在每种可以想象的配置中工作并非易事，并且除了此处显示的内容之外，我还没有对它进行测试。 （例如，如果您决定使 TPB 大于 32，您会遇到其他问题。此外，原始发布的代码仅用于方阵乘法，这在一般非方阵情况下不起作用。）
如上所述，发布的代码和上面带有“修复”的代码将无法正确处理一般的非方形情况。我相信一些简单的修改将使我们能够处理非方形的情况。简而言之，我们必须将网格设置得足够大，以处理两个输入矩阵的维度，同时仍然只写入输出矩阵的界内值的结果。这是一个经过简单测试的示例：
$ cat t49.py
from numba import cuda, float32
import numpy as np
import math
@cuda.jit
def fast_matmul(A, B, C):
# Define an array in the shared memory
# The size and type of the arrays must be known at compile time
sA = cuda.shared.array(shape=(TPB, TPB), dtype=float32)
sB = cuda.shared.array(shape=(TPB, TPB), dtype=float32)
x, y = cuda.grid(2)
tx = cuda.threadIdx.x
ty = cuda.threadIdx.y
bpg = cuda.gridDim.x # blocks per grid
# Each thread computes one element in the result matrix.
# The dot product is chunked into dot products of TPB-long vectors.
tmp = float32(0.)
for i in range(bpg):
# Preload data into shared memory
sA[ty, tx] = 0
sB[ty, tx] = 0
if y < A.shape[0] and (tx+i*TPB) < A.shape[1]:
sA[ty, tx] = A[y, tx + i * TPB]
if x < B.shape[1] and (ty+i*TPB) < B.shape[0]:
sB[ty, tx] = B[ty + i * TPB, x]
# Wait until all threads finish preloading
cuda.syncthreads()
# Computes partial product on the shared memory
for j in range(TPB):
tmp += sA[ty, j] * sB[j, tx]
# Wait until all threads finish computing
cuda.syncthreads()
if y < C.shape[0] and x < C.shape[1]:
C[y, x] = tmp
#%%
x_h = np.arange(115).reshape([5,23])
y_h = np.ones([23,7])
z_h = np.zeros([5,7])
x_d = cuda.to_device(x_h)
y_d = cuda.to_device(y_h)
z_d = cuda.to_device(z_h)
#TPB must be an integer between 1 and 32
TPB = 32
threadsperblock = (TPB, TPB)
grid_y_max = max(x_h.shape[0],y_h.shape[0])
grid_x_max = max(x_h.shape[1],y_h.shape[1])
blockspergrid_x = math.ceil(grid_x_max / threadsperblock[0])
blockspergrid_y = math.ceil(grid_y_max / threadsperblock[1])
blockspergrid = (blockspergrid_x, blockspergrid_y)
fast_matmul[blockspergrid, threadsperblock](x_d, y_d, z_d)
z_h = z_d.copy_to_host()
print(z_h)
print(x_h@y_h)
$ cuda-memcheck python t49.py
========= CUDA-MEMCHECK
[[ 253. 253. 253. 253. 253. 253. 253.]
[ 782. 782. 782. 782. 782. 782. 782.]
[1311. 1311. 1311. 1311. 1311. 1311. 1311.]
[1840. 1840. 1840. 1840. 1840. 1840. 1840.]
[2369. 2369. 2369. 2369. 2369. 2369. 2369.]]
[[ 253. 253. 253. 253. 253. 253. 253.]
[ 782. 782. 782. 782. 782. 782. 782.]
[1311. 1311. 1311. 1311. 1311. 1311. 1311.]
[1840. 1840. 1840. 1840. 1840. 1840. 1840.]
[2369. 2369. 2369. 2369. 2369. 2369. 2369.]]
========= ERROR SUMMARY: 0 errors
$
我也重新排序了感觉x and y（以及使用tx and ty) 修复上述代码中的性能问题。原始发布的文档代码中也存在相同的性能问题。
再次强调，不声称无缺陷。此外，我确信可以得出“更优化”的代码。然而，优化矩阵乘法是一项应该很快就会导致使用库实现的练习。使用cupy https://docs.cupy.dev/en/stable/reference/generated/cupy.matmul.html这里的 GPU 方法应该是一种相当简单的方法，可以在 GPU 上利用高质量的矩阵乘法例程。
编辑：正如所讨论的here https://stackoverflow.com/questions/68248548/understanding-shared-memory-use-for-improvement-in-numbaOP的代码（而且，看起来，文档示例 https://numba.pydata.org/numba-doc/latest/cuda/examples.html）在设置方面也存在性能问题tmp多变的。将其更改为适当的 32 位浮点变量会带来重要的性能差异。
