<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
</head>
<body text="#000000" bgcolor="#FFFFFF">
Karl, that would be fantastic. Much obliged!<br>
<br>
--Richard<br>
<br>
<div class="moz-cite-prefix">On 9/23/19 8:09 PM, Karl Rupp wrote:<br>
</div>
<blockquote type="cite" cite="mid:8dce9c5a-f049-8ecf-f08b-9c093f64b022@iue.tuwien.ac.at">
Hi, <br>
<br>
`git grep cudaStreamCreate` reports that vectors, matrices and scatters create their own streams. This will almost inevitably create races (there is no synchronization mechanism implemented), unless one calls WaitForGPU() after each operation. Some of the non-deterministic
 tests can likely be explained by this. <br>
<br>
I'll clean this up in the next few hours if there are no objections. <br>
<br>
Best regards, <br>
Karli <br>
<br>
<br>
<br>
On 9/24/19 1:05 AM, Mills, Richard Tran via petsc-dev wrote: <br>
<blockquote type="cite">I'm no CUDA expert (not yet, anyway), but, from what I've read, the default stream (stream 0) is (mostly) synchronous to host and device, so WaitForGPU() is not needed in that case. I don't know if there is any performance penalty in
 explicitly calling it in that case, anyway. <br>
<br>
In any case, it looks like there are still some cases where potentially asynchronous CUDA library calls are being "timed" without a WaitForGPU() to ensure that the calls actually complete. I will make a pass through the aijcusparse and aijviennacl code looking
 for these. <br>
<br>
--Richard <br>
<br>
On 9/23/19 3:28 PM, Zhang, Junchao wrote: <br>
<blockquote type="cite">It looks cusparsestruct->stream is always created (not NULL).  I don't know logic of the "if (!cusparsestruct->stream)".
<br>
--Junchao Zhang <br>
<br>
<br>
On Mon, Sep 23, 2019 at 5:04 PM Mills, Richard Tran via petsc-dev <<a class="moz-txt-link-abbreviated" href="mailto:petsc-dev@mcs.anl.gov">petsc-dev@mcs.anl.gov</a>
<a class="moz-txt-link-rfc2396E" href="mailto:petsc-dev@mcs.anl.gov"><mailto:petsc-dev@mcs.anl.gov></a>> wrote:
<br>
<br>
    In MatMultAdd_SeqAIJCUSPARSE, before Junchao's changes, towards <br>
    the end of the function it had <br>
<br>
      if (!yy) { /* MatMult */ <br>
        if (!cusparsestruct->stream) { <br>
          ierr = WaitForGPU();CHKERRCUDA(ierr); <br>
        } <br>
      } <br>
<br>
    I assume we don't need the logic to do this only in the MatMult() <br>
    with no add case and should just do this all the time, for the <br>
    purposes of timing if no other reason. Is there some reason to NOT <br>
    do this because of worries the about effects that these <br>
    WaitForGPU() invocations might have on performance? <br>
<br>
    I notice other problems in aijcusparse.cu <a class="moz-txt-link-rfc2396E" href="http://aijcusparse.cu">
<http://aijcusparse.cu></a>, <br>
    now that I look closer. In MatMultTransposeAdd_SeqAIJCUSPARSE(), I <br>
    see that we have GPU timing calls around the cusparse_csr_spmv() <br>
    (but no WaitForGPU() inside the timed region). I believe this is <br>
    another area in which we get a meaningless timing. It looks like <br>
    we need a WaitForGPU() there, and then maybe inside the timed <br>
    region handling the scatter. (I don't know if this stuff happens <br>
    asynchronously or not.) But do we potentially want two <br>
    WaitForGPU() calls in one function, just to help with getting <br>
    timings? I don't have a good idea of how much overhead this adds. <br>
<br>
    --Richard <br>
<br>
    On 9/21/19 12:03 PM, Zhang, Junchao via petsc-dev wrote: <br>
<blockquote type="cite">    I made the following changes: <br>
    1) In MatMultAdd_SeqAIJCUSPARSE, use this code sequence at the end <br>
      ierr = WaitForGPU();CHKERRCUDA(ierr); <br>
      ierr = PetscLogGpuTimeEnd();CHKERRQ(ierr); <br>
      ierr = PetscLogGpuFlops(2.0*a->nz);CHKERRQ(ierr); <br>
      PetscFunctionReturn(0); <br>
    2) In MatMult_MPIAIJCUSPARSE, use the following code sequence. <br>
    The old code swapped the first two lines. Since with <br>
    -log_view, MatMultAdd_SeqAIJCUSPARSE is blocking, I changed the <br>
    order to have better overlap. <br>
      ierr = <br>
    VecScatterBegin(a->Mvctx,xx,a->lvec,INSERT_VALUES,SCATTER_FORWARD);CHKERRQ(ierr);<br>
      ierr = (*a->A->ops->mult)(a->A,xx,yy);CHKERRQ(ierr); <br>
      ierr = <br>
    VecScatterEnd(a->Mvctx,xx,a->lvec,INSERT_VALUES,SCATTER_FORWARD);CHKERRQ(ierr);<br>
      ierr = (*a->B->ops->multadd)(a->B,a->lvec,yy,yy);CHKERRQ(ierr); <br>
    3) Log time directly in the test code so we can also know <br>
    execution time without -log_view (hence cuda synchronization). I <br>
    manually calculated the Total Mflop/s for these cases for easy <br>
    comparison. <br>
<br>
    <<Note the CPU versions are copied from yesterday's results>> <br>
<br>
    ------------------------------------------------------------------------------------------------------------------------<br>
    Event                Count      Time (sec)     Flop                                 --- Global ---  --- Stage ----  Total   GPU    -
<br>
    CpuToGpu -   - GpuToCpu - GPU <br>
                       Max Ratio  Max     Ratio   Max  Ratio  Mess      AvgLen  Reduct  %T %F %M %L %R  %T %F %M %L %R Mflop/s Mflop/s
<br>
    Count   Size   Count   Size  %F <br>
    ---------------------------------------------------------------------------------------------------------------------------------------------------------------<br>
    6 MPI ranks, <br>
    MatMult              100 1.0 1.1895e+01 1.0 9.63e+09 1.1 2.8e+03 <br>
    2.2e+05 0.0e+00 24 99 97 18  0 100100100100  0  4743       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterBegin      100 1.0 4.9145e-02 3.0 0.00e+00 0.0 2.8e+03 <br>
    2.2e+05 0.0e+00  0  0 97 18  0   0  0100100  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterEnd        100 1.0 2.9441e+00 133 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  3  0  0  0  0  13  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
<br>
    24 MPI ranks <br>
    MatMult              100 1.0 3.1431e+00 1.0 2.63e+09 1.2 1.9e+04 <br>
    5.9e+04 0.0e+00  8 99 97 25  0 100100100100  0 17948       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterBegin      100 1.0 2.0583e-02 2.3 0.00e+00 0.0 1.9e+04 <br>
    5.9e+04 0.0e+00  0  0 97 25  0   0  0100100  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterEnd        100 1.0 1.0639e+0050.0 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  2  0  0  0  0  19  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
<br>
    42 MPI ranks <br>
    MatMult              100 1.0 2.0519e+00 1.0 1.52e+09 1.3 3.5e+04 <br>
    4.1e+04 0.0e+00 23 99 97 30  0 100100100100  0 27493       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterBegin      100 1.0 2.0971e-02 3.4 0.00e+00 0.0 3.5e+04 <br>
    4.1e+04 0.0e+00  0  0 97 30  0   1  0100100  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterEnd        100 1.0 8.5184e-0162.0 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  6  0  0  0  0  24  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
<br>
    6 MPI ranks + 6 GPUs + regular SF + log_view <br>
    MatMult              100 1.0 1.6863e-01 1.0 9.66e+09 1.1 2.8e+03 <br>
    2.2e+05 0.0e+00  0 99 97 18  0 100100100100  0 335743   629278     100 1.02e+02  100 2.69e+02 100
<br>
    VecScatterBegin      100 1.0 5.0157e-02 1.6 0.00e+00 0.0 2.8e+03 <br>
    2.2e+05 0.0e+00  0  0 97 18  0  24  0100100  0     0       0         0 0.00e+00  100 2.69e+02  0
<br>
    VecScatterEnd        100 1.0 4.9155e-02 2.5 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0  20  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecCUDACopyTo        100 1.0 9.5078e-03 2.0 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0   4  0  0  0  0     0       0       100 1.02e+02    0 0.00e+00  0
<br>
    VecCopyFromSome      100 1.0 2.8485e-02 1.4 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0  14  0  0  0  0     0       0         0 0.00e+00  100 2.69e+02  0
<br>
<br>
    6 MPI ranks + 6 GPUs + regular SF  + No log_view <br>
    MatMult:             100 1.0 1.4180e-01                                                                            399268
<br>
<br>
    6 MPI ranks + 6 GPUs + CUDA-aware SF + log_view <br>
    MatMult              100 1.0 1.1053e-01 1.0 9.66e+09 1.1 2.8e+03 <br>
    2.2e+05 0.0e+00  1 99 97 18  0 100100100100  0 512224   642075       0 0.00e+00    0 0.00e+00 100
<br>
    VecScatterBegin      100 1.0 8.3418e-03 1.5 0.00e+00 0.0 2.8e+03 <br>
    2.2e+05 0.0e+00  0  0 97 18  0   6  0100100  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterEnd        100 1.0 2.2619e-02 1.6 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0  16  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
<br>
    6 MPI ranks + 6 GPUs + CUDA-aware SF + No log_view <br>
    MatMult:             100 1.0 9.8344e-02                                                                            575717
<br>
<br>
    24 MPI ranks + 6 GPUs + regular SF + log_view <br>
    MatMult              100 1.0 1.1572e-01 1.0 2.63e+09 1.2 1.9e+04 <br>
    5.9e+04 0.0e+00  0 99 97 25  0 100100100100  0 489223   708601     100 4.61e+01  100 6.72e+01 100
<br>
    VecScatterBegin      100 1.0 2.0641e-02 2.0 0.00e+00 0.0 1.9e+04 <br>
    5.9e+04 0.0e+00  0  0 97 25  0  13  0100100  0     0       0         0 0.00e+00  100 6.72e+01  0
<br>
    VecScatterEnd        100 1.0 6.8114e-02 5.6 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0  38  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecCUDACopyTo        100 1.0 6.6646e-03 2.5 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0   3  0  0  0  0     0       0       100 4.61e+01    0 0.00e+00  0
<br>
    VecCopyFromSome      100 1.0 1.0546e-02 1.7 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  0  0  0  0  0   7  0  0  0  0     0       0         0 0.00e+00  100 6.72e+01  0
<br>
<br>
    24 MPI ranks + 6 GPUs + regular SF + No log_view <br>
    MatMult:             100 1.0 9.8254e-02                                                                            576201
<br>
<br>
    24 MPI ranks + 6 GPUs + CUDA-aware SF + log_view <br>
    MatMult              100 1.0 1.1602e-01 1.0 2.63e+09 1.2 1.9e+04 <br>
    5.9e+04 0.0e+00  1 99 97 25  0 100100100100  0 487956   707524       0 0.00e+00    0 0.00e+00 100
<br>
    VecScatterBegin      100 1.0 2.7088e-02 7.0 0.00e+00 0.0 1.9e+04 <br>
    5.9e+04 0.0e+00  0  0 97 25  0   8  0100100  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
    VecScatterEnd        100 1.0 8.4262e-02 3.0 0.00e+00 0.0 0.0e+00 <br>
    0.0e+00 0.0e+00  1  0  0  0  0  52  0  0  0  0     0       0         0 0.00e+00    0 0.00e+00  0
<br>
<br>
    24 MPI ranks + 6 GPUs + CUDA-aware SF + No log_view <br>
    MatMult:             100 1.0 1.0397e-01                                                                            544510
<br>
<br>
<br>
<br>
<br>
<br>
</blockquote>
<br>
</blockquote>
<br>
</blockquote>
</blockquote>
<br>
</body>
</html>