面向GPU 平臺的二維FFT 的加速技術研究

陳博倫，何衛(wèi)鋒

（上海交通大學微納電子學系，上海200240）

0 引言

快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）算法是圖像處理的基礎算法之一，廣泛應用于圖像濾波、圖像降噪、圖像壓縮等領域，同時也是基于頻域分析的圖像處理算法的基礎。因此，針對FFT 運算的硬件加速對提升系統(tǒng)性能有重要的意義。

主要的硬件加速平臺包括圖形處理器（Graphics Processing Unit，GPU）、現(xiàn)場可編程邏輯門陣列（Field Programmable Gate Array，F(xiàn)PGA）等。其中，GPU 因其先進的并行架構體系，能夠支持海量的多線程、高內(nèi)存帶寬以及大計算能力，在數(shù)千個核心上分配大規(guī)模多線程，并行執(zhí)行獨立任務而備受青睞。由于FFT 算法往往具有計算并行度高、數(shù)據(jù)流規(guī)整的特點，可以有效發(fā)揮GPU 大規(guī)模并行計算的潛力，因而受到了廣泛的關注。

張全等人[1]分析了全局內(nèi)存合并訪問事務大小與GPU 占用率的關系，優(yōu)化了二維FFT 算法在GPU 上的全局內(nèi)存訪問效率，使GPU 上二維FFT 算法的運行速度達到CUFFT 6.5 的1.3 倍。Govindaraju 等人[2]介紹了分層混合基數(shù)FFT 算法，有效利用了GPU 上的共享內(nèi)存作為FFT 逐級運算時的緩存。另外，使用一些基于GPU 平臺開發(fā)的商用算法庫可以方便快捷地實現(xiàn)圖像處理加速。例如NVIDIA 發(fā)布的CUDNN 算法庫，能提供相關的函數(shù)接口，而且能自動適應不同的GPU 硬件平臺，可移植性強[3]。然而，這些算法庫都是閉源的，無法對其進行修改、分解和組合，靈活性差，不能適應所有的應用場景。

1 GPU上一維FFT算法的整體結構設計

1.1 算法原理

本文選取Cooley-Tukey 算法來實現(xiàn)FFT。Cooley-Tukey 算法是最常見的FFT 算法之一，其原理是用多個長度較小的離散傅里葉變換（Discrete Fourier Transform，DFT）來計算長度較大的DFT，經(jīng)過反復迭代，最終分解成多個最小尺寸DFT。這個最小尺寸DFT 稱作蝶形運算單元，而最小尺寸稱作基數(shù)。在這基礎上，根據(jù)基數(shù)的性質(zhì)，又有高基和分裂基等多種算法。FFT分解基數(shù)的大小決定了分解后的級數(shù)。

圖1 展示了以2 為基數(shù)的8 點Cooley-Tukey FFT算法，蝶形運算結構共3 級。最后一級的輸出結果是順序的，而第一級的輸入序列的順序需要重新排列，稱為倒序排列。每個蝶形運算單元有自己的旋轉因子，蝶形單元的輸入需要先乘上對應的旋轉因子，再進行蝶形運算。旋轉因子的底數(shù)取決于FFT 點數(shù)，而指數(shù)與蝶形單元所在的級數(shù)及其本身的序數(shù)有關。

圖1 基-2 Cooley-Tukey FFT算法

1.2 算法整體結構設計

基于一維FFT 算法的原理，我們首先分析一維FFT 算法的可并行性。以單一基數(shù)的一維FFT 為例，假設基數(shù)為R，長度為N=RM的FFT 算法運算結構共M級，每級包含N/R 個蝶形單元。同一級的蝶形單元互不相關，可并行執(zhí)行。但后一級的蝶形單元的輸入數(shù)據(jù)來源于前一級中R 個相關蝶形單元的輸出數(shù)據(jù)，相鄰兩級存在依賴關系，不可并行，必須按順序串行執(zhí)行。

根據(jù)上述分析結果，本文設計了一維FFT 算法在GPU 上的并行實現(xiàn)過程，如圖2 所示。圖中的主要模塊包括分解基數(shù)選取、倒序排列、旋轉因子計算以及蝶形運算。分解基數(shù)的選取決定了每一級的蝶形運算結構。每一級的基數(shù)不必相同，基數(shù)不同時，蝶形單元的結構也不同。倒序排列發(fā)生在輸入序列的讀取階段。每一級中的蝶形單元結構相同，但是指向不同的內(nèi)存地址。兩級蝶形結構之間通過共享內(nèi)存進行數(shù)據(jù)通信。

圖2 GPU上一維FFT算法并行實現(xiàn)過程

（1）旋轉因子計算：使用常量內(nèi)存查找表或CUDA內(nèi)置函數(shù)庫中的快速三角函數(shù)__sinf（）、__cosf（）來得到旋轉因子θ的三角函數(shù)值。比較設備的運算能力和常量內(nèi)存的帶寬大小，從而決定到底使用哪種旋轉因子θ的計算方式。計算密集型內(nèi)核采取查找表方法，內(nèi)存密集型則采取實時計算方法。

（2）倒序排列：倒序排列會導致全局內(nèi)存的不連續(xù)訪問。線程束中的線程訪問全局內(nèi)存不連續(xù)時，GPU會發(fā)出超過原本次數(shù)的訪存事務，稱為全局負載重播。全局負載重播會消耗過多的內(nèi)存帶寬，導致嚴重的性能問題。不產(chǎn)生負載重播的全局內(nèi)存訪問稱為合并訪問。設計中引入一級額外的共享內(nèi)存作為緩存，在此緩存空間中進行倒序排列，之后倒序的序列傳向后遞到第一級蝶形運算結構。這種方法實際上將不連續(xù)的內(nèi)存訪問風險從全局內(nèi)存轉嫁到共享內(nèi)存。幸而共享內(nèi)存在不連續(xù)訪問的情況下仍然可以實現(xiàn)較高的帶寬利用率，從而解決全局內(nèi)存訪問不連續(xù)的問題。

（3）蝶形運算：蝶形運算包括兩個部分：共享內(nèi)存訪問和運算。運算是簡單的乘累加運算，而共享內(nèi)存的訪問則較為復雜。因為每一級蝶形結構的訪存跨度在不斷變化，所以共享內(nèi)存訪問過程中極容易發(fā)生bank conflict。以圖1 為例，每一級蝶形單元的地址訪問跨度Ns 依次為1、2、4，均小于32，因此線程有可能同時占用兩個或以上的存儲體，導致共享內(nèi)存發(fā)生bank conflict。為了避免上述問題，本文設計了以蝶形單元訪存跨度為依據(jù)的共享內(nèi)存訪問方式，寫入數(shù)據(jù)時，每隔R×Ns 個數(shù)據(jù)填充一個無效數(shù)據(jù)。

（4）分解基數(shù)選取：FFT 算法分解過程中，基數(shù)越大，蝶形單元的級數(shù)越少，則同步操作次數(shù)越少，而且內(nèi)存的訪問次數(shù)降低。但是大基數(shù)也存在相應的劣勢，基數(shù)越大，每個蝶形單元的規(guī)模更大，計算量更高，占用寄存器數(shù)量越大。由此可以推斷，隨著基數(shù)的增大，程序的性能瓶頸從內(nèi)存密集型過渡到計算密集型。

比較GPU 設備的共享內(nèi)存帶寬和浮點運算吞吐量，可以定量分析FFT 的并行效率，從而選擇合適的基數(shù)進行分解。另外，GPU 寄存器數(shù)量的限制意味著大基數(shù)分解的FFT 往往是不可取的，減少線程數(shù)可以減少寄存器占用的總數(shù)和使用的共享內(nèi)存的數(shù)量，但是線程太少，線程束數(shù)量不足以隱藏訪存延遲。

一個大小為R 的蝶形單元的浮點運算次數(shù)為5·r·R，其中r=log2R，每級共N/R 個蝶形單元，其理論運算時間如下所示，其中ComputeCapability 是GPU 的浮點運算能力。

假設數(shù)據(jù)緩存在共享內(nèi)存，而且共享內(nèi)存的訪問效率為100%，那么共享內(nèi)存訪問的理論時間如下所示，其中DataWidth 是數(shù)據(jù)位寬，Bandwidth 是共享內(nèi)存帶寬。

圖3 展示了共享內(nèi)存訪問和蝶形運算理論性能的比較。假設訪存時間與運算時間相等時的基數(shù)等于Rx，此時內(nèi)核同時達到共享內(nèi)存帶寬瓶頸以及計算單元運算速度瓶頸；當基數(shù)小于Rx 時，內(nèi)核性能受限于共享內(nèi)存有效帶寬；當基數(shù)大于Rx 時，內(nèi)核性能受限于GPU 運算能力。

圖3 共享內(nèi)存訪問和蝶形運算的理論性能比較

2 GPU上二維FFT算法的并行設計

二維FFT 可以分解成行方向一維FFT 和列方向一維FFT。行變換和列變換不能同時進行，必須先完成其中之一，再進行另一變換。從整幅圖像變換的可并行性來看，每一行或列的變換可以并行執(zhí)行，即將圖像的行或列變換分解成與圖像行或列數(shù)相同的一系列獨立的一維FFT 任務，然后將這些任務分配給線程塊或線程。這些任務可以有限地合并在一起，因為圖像任意兩行或兩列的一維FFT 的算法結構完全相同，可以共享旋轉因子，從而減少旋轉因子的計算次數(shù)。

一維FFT 的并行實現(xiàn)已在前文給出，在此基礎上實現(xiàn)二維FFT 的關鍵是對全局內(nèi)存的訪問。全局內(nèi)存中地址連續(xù)的數(shù)據(jù)被同一個線程束中的線程訪問，而且滿足內(nèi)存對齊條件時，這些內(nèi)存訪問請求會被合并。合并的內(nèi)存區(qū)間越大，全局內(nèi)存的訪問速度越快。GPU支持32byte、64byte、128byte 的合并內(nèi)存模式。

行變換時的全局內(nèi)存訪問是連續(xù)的，如圖4 所示。基數(shù)為16 的1024 點序列分割成16 個字段，每個字段長度為64。64 個線程依次順序讀取每一個字段到共享內(nèi)存，然后進行一維FFT 運算。因此，行變換時的全局內(nèi)存訪問滿足內(nèi)存合并的要求，其帶寬利用率理論上為100%。但是當基數(shù)增大時，每個字段的長度也相應地減短，導致線程數(shù)量減少，不利于程序?qū)崿F(xiàn)充分的線程級并行。

圖4 行變換時的全局內(nèi)存訪問

列變換時，全局內(nèi)存訪問不再連續(xù)，這會導致訪存效率顯著降低。為了提高訪存效率，本文重新設計了列變換時的全局內(nèi)存訪問模式，使其滿足內(nèi)存合并條件，如圖5 所示。線程塊同時讀取多列數(shù)據(jù)，當每個數(shù)據(jù)寬度為8Byte 時，連續(xù)4 個線程讀取的數(shù)據(jù)合并為32Byte，滿足最低限度的內(nèi)存合并要求。

圖5 列變換時的全局內(nèi)存訪問

3 二維FFT算法的性能測試結果及分析

實驗使用的硬件平臺為JETSON TX2，其搭載的Tegra X2 SoC 配置及性能如表1 所示。

表1 Tegra X2 配置及性能

首先進行二維FFT 的行變換和列變換的性能測試。二維圖像的尺寸為1024×1024，每個數(shù)據(jù)的位寬為8Byte。其中行變換采取不同的數(shù)據(jù)訪問模式，分別是32bit、64bit 以及128bit，研究數(shù)據(jù)訪問模式對性能的影響。列變換采取不同的批量處理列數(shù)，研究批量處理的數(shù)據(jù)列數(shù)對性能的影響。列數(shù)越大，意味著同一個線程束中合并訪問全局內(nèi)存的線程越多。由于FFT 的運算量較低，理論運算時間與內(nèi)核實際執(zhí)行時間相比幾乎可以忽略不計，因此這里使用全局內(nèi)存的有效帶寬來表征內(nèi)核的性能。

基于上述測試方法得到的行變換性能如圖6 所示。線程數(shù)量從32 增長到256 時，內(nèi)核的性能有了10.5%至43.5%不等程度的提升。這是因為占用率逐漸增大，線程級并行度逐漸升高。隨后線程數(shù)量繼續(xù)增長，內(nèi)核性能又降低了9.5%到11.4%。這是因為占用率不再增大，而線程的指令級并行度卻逐漸降低。從不同數(shù)據(jù)訪問模式的性能來看，64bit 和128bit 數(shù)據(jù)訪問模式的性能相近，而二者的性能相比32bit 訪問模式提升了15%左右，說明內(nèi)核開發(fā)時應當盡可能選擇64bit 和128bit 數(shù)據(jù)訪問模式。如果數(shù)據(jù)位寬小于64bit，則應該將多個數(shù)據(jù)合并讀取，從而提高全局內(nèi)存訪問速度。

圖6 行變換性能測試結果

同理，我們進行了列變換的性能測試，結果如圖7所示。隨著線程束內(nèi)合并訪問全局內(nèi)存的線程數(shù)量上升，內(nèi)核性能有著300%左右的顯著提升。當合并訪問的全局內(nèi)存寬度大于64Byte 后，性能趨于穩(wěn)定。列變換中，全局內(nèi)存的峰值有效帶寬達到41GByte/s，與行變換時的帶寬相同。因此本文的二維FFT 算法已經(jīng)充分發(fā)揮了GPU 存儲器的有效帶寬，實現(xiàn)了峰值性能。

圖7 列變換性能測試結果

基于行變換和列變換的性能測試及分析結果，我們接下來測試二維FFT 算法整體的性能，并將其與CUFFT 庫函數(shù)的性能作比較，結果如圖8 所示。隨著圖像尺寸的增大，F(xiàn)FT 算法的運算吞吐率逐漸升高，1024×1024 尺寸下的運算吞吐率相比128×128 尺寸提升了將近400%。當尺寸繼續(xù)增大，運算吞吐率的增長幅度開始變緩，4096×4096 尺寸下的運算吞吐率相比1024×1024 尺寸只提升了42%。

圖8 使用庫函數(shù)與本文方法實現(xiàn)二維FFT的性能比較

隨著二維FFT 的尺寸繼續(xù)增大，運算吞吐率很難再繼續(xù)提升，小范圍內(nèi)有可能反而會降低。因為隨著尺寸增大，共享內(nèi)存空間需求在不斷增大，直至達到臨界點。此時最大共享內(nèi)存空間無法滿足一次行變換所需，需要引入全局內(nèi)存作為緩存。這意味著算法訪問全局內(nèi)存中的次數(shù)增多，會導致程序運行時間顯著上升。

4 結語

本文首先分析了FFT 算法的并行性，提出了GPU上一維FFT 算法的整體結構設計，并介紹各個主要模塊的高效實現(xiàn)方法。隨后提出了批量列變換機制，解決二維FFT 列變換時全局內(nèi)存訪問無法合并的問題。最后，進行二維FFT 的性能測試，并與CUFFT 庫函數(shù)的性能進行比較，驗證本文的研究成果。