其他分享
首页 > 其他分享> > WebGPU的计算着色器实现冒泡排序

WebGPU的计算着色器实现冒泡排序

作者:互联网

大家好~本文使用WebGPU的计算着色器,实现了奇偶排序。
奇偶排序是冒泡排序的并行版本,在1996年由J Kornerup提出。它解除了每轮冒泡间的串行依赖以及每轮冒泡内部的串行依赖,使得冒泡操作可以并行执行

 

目录

 

最终版本的代码在这里

介绍奇偶排序算法

假设待排序的数组为Arr1
在奇数步中,Arr1中奇数项与相邻的右边一项比较和交换;
在偶数步中,Arr1中奇数项与相邻的左边一项比较和交换;
直到一步中没有交换项,则停止

举例来说的话,如下图所示:
image

在每步中,红框内的两项进行比较和交换;
直到一步中没有交换项,则停止

分析时间复杂度

与冒泡排序一样,总的比较次数不变,依然为O(n^2)次
但因为为并行执行,所以时间复杂度降低为O(log2(n^2))=O(n)

需求

排序的需求如下所示:

初步设计

因为数组可以两两分为64个组,每个组并行执行操作,所以计算着色器只使用一个workgroup,包含64个局部单位,每个局部单位对应一个组;

在每个局部单位中:
启动一个while循环,执行每步操作,然后同步,最后判断所有局部单位在该步骤中是否有交换操作,如果都没有的话则停止循环

“执行每步操作”时判断该步骤是奇数还是偶数步,从而取对应的两项来比较和交换

代码实现

经过上面的设计后,现在我们来实现代码
计算着色器代码如下所示:

  //64个局部单位
  const workgroupSize = 64;
   
  // 局部单位之间的共享变量,用于存放128个数字
  var<workgroup> sharedData: array<f32,128>;
  // 局部单位之间的共享变量,用于标志所有局部单位在该步骤中是否有交换操作(只要有任意一个局部单位在该步骤中有交换操作,则该标志为true)
  var<workgroup> isSwap: bool;
  // 局部单位之间的共享变量,用于记录步骤数,从而判断是奇数还是偶数步
  var<workgroup> stepCount: u32;
   
  struct BeforeSortData {
  data : array<f32, 128>
  }
  struct AfterSortData {
  data : array<f32, 128>
  }
   
  //待排序的数组
  @binding(0) @group(0) var<storage, read> beforeSortData : BeforeSortData;
  //排序后的数组
  @binding(1) @group(0) var<storage, read_write> afterSortData : AfterSortData;
   
  @compute @workgroup_size(workgroupSize, 1, 1)
  fn main(
  @builtin(global_invocation_id) GlobalInvocationID : vec3<u32>,
  ) {
  //将待排序的数据读取到共享变量中
   
  var index = GlobalInvocationID.x * 2;
  sharedData[index] = beforeSortData.data[index];
  sharedData[index+ 1 ] = beforeSortData.data[index + 1];
   
  //初始化共享变量
   
  isSwap = false;
  stepCount = 0;
   
  //同步
  workgroupBarrier();
   
  //开始循环
  while(true){
  var firstIndex:u32;
  var secondIndex:u32;
   
  //判断该步骤是奇数还是偶数步,从而得到对应的两项的序号
   
  //偶数步
  if(stepCount % 2 == 0){
  firstIndex = index + 1;
  secondIndex = index + 2;
  }
  //奇数步
  else{
  firstIndex = index;
  secondIndex = index + 1;
  }
   
  //确保没超过边界
  if(secondIndex < 128){
  //将大的一项交换到后面,从而实现升序
  if(sharedData[firstIndex] > sharedData[secondIndex]){
  var temp = sharedData[firstIndex];
  sharedData[firstIndex] = sharedData[secondIndex];
  sharedData[secondIndex] = temp;
   
  isSwap = true;
  }
  }
   
  stepCount += 1;
   
  workgroupBarrier();
   
  //如果该步骤中没有交换操作的话则停止循环
  if(!isSwap){
  break;
  }
  }
   
  //将排序后的数据传给返回给CPU端的Storage Buffer中,从而可在CPU端得到排序后的结果
  afterSortData.data[index] = sharedData[index];
  afterSortData.data[index + 1] = sharedData[index + 1];
  }

本来我是想像设置workgroupSize一样,将128设为const的,如下所示:

  const workgroupSize = 64;
  const itemCount = 128;
   
  var<workgroup> sharedData: array<f32,itemCount>;

但是运行时会报错!照理说根据WGSL的文档,是不应该报错的!所以不清楚是我没搞清楚还是WGSL目前的bug?
(另外,如果使用override而不是const,也会报错!)

如果改为使用workgroupSize,则不会报错。代码如下所示:

  const workgroupSize = 64;
   
  var<workgroup> sharedData: array<f32,workgroupSize>;

这是因为workgroupSize在@workgroup_size中使用了。代码如下所示:

@compute @workgroup_size(workgroupSize, 1, 1)

发现问题

运行代码后,会报警告:

  1 warning(s) generated while compiling the shader:
  :74:5 warning: 'workgroupBarrier' must only be called from uniform control flow
  workgroupBarrier();
  ^^^^^^^^^^^^^^^^
   
  :77:5 note: control flow depends on non-uniform value
  if(!isSwap){
  ^^
   
  :77:9 note: reading from workgroup storage variable 'isSwap' may result in a non-uniform value
  if(!isSwap){
  ^^^^^^

这是因为WGSL会进行Uniformity analysis检查,确保像“workgroupBarrier”这种barries是在uniform control flow中安全地调用
WGSL在检查时发现:因为isSwap被多个局部单位读写,所以为"non-uniform value",导致所在的control flow为non-uniform

更多关于Uniformity的资料在这里:
uniformity
Add the uniformity analysis to the WGSL spec
uniformity issues

改进设计

现在需要去掉isSwap的if判断
因为isSwap的if判断是用来结束循环的,那么在去掉它之后我们就需要新的结束条件
因为总共有128个数字要排序,所以最多进行128步即可完成所有的排序

相关代码实现

所以去掉isSwap,把循环终止条件修改下,并且重构一下代码
相关代码改为:

   
  fn _swap(firstIndex:u32, secondIndex:u32){
  var temp = sharedData[firstIndex];
  sharedData[firstIndex] = sharedData[secondIndex];
  sharedData[secondIndex] = temp;
  }
   
  fn _oddSort(index:u32) {
  var firstIndex = index;
  var secondIndex = index + 1;
   
  if(sharedData[firstIndex] > sharedData[secondIndex]){
  _swap(firstIndex, secondIndex);
  }
  }
   
  fn _evenSort(index:u32) {
  var firstIndex = index + 1;
  var secondIndex = index + 2;
   
  if(secondIndex <128 && sharedData[firstIndex] > sharedData[secondIndex]){
  _swap(firstIndex, secondIndex);
  }
  }
   
   
  @compute @workgroup_size(workgroupSize, 1, 1)
  fn main(
  @builtin(global_invocation_id) GlobalInvocationID : vec3<u32>,
  ) {
  ...
   
  var firstIndex:u32;
  var secondIndex:u32;
   
  for (var i: u32 = 0; i < 128; i += 1) {
  //偶数步
  if(stepCount % 2 == 0){
  _evenSort(index);
  }
  //奇数步
  else{
  _oddSort(index);
  }
   
  stepCount +=1 ;
   
  workgroupBarrier();
   
  }
  ...
  }

现在就能够正确运行了

改进设计

现在我们通过判断步骤数是偶数还是奇数来进行对应的排序,这会造成“Warp Divergence”的优化问题:
不同的局部单位会进入不同的分支(偶数步或者奇数步),造成同一时刻除了正在执行的分支以外,其余分支都被阻塞了,十分影响性能
如下图所示:
image

参考资料:
CUDA编程——Warp Divergence

所以我们可以去掉stepCount和相关的判断,改为在每次循环中分别执行奇数排序和偶数排序,并把循环次数减半

相关代码实现

修改后的相关代码为:

  for (var i: u32 = 0; i < 64; i += 1) {
  _oddSort(index);
  workgroupBarrier();
   
  _evenSort(index);
  workgroupBarrier();
  }

限制

现在程序有如下的限制:

总结

感谢大家的学习~

计算着色器是SIMT架构,也就是说每条指令都是并行执行的。这与CPU的串行思维不同,所以我们要切换为并行的思维,并在需要同步的时候同步

另外,计算着色器的代码因为处在并行环境下,所以需要仔细优化
有下面的一些优化建议:

参考资料

啥是Parallel Reduction
CUDA(六). 从并行排序方法理解并行化思维——冒泡、归并、双调排序的GPU实现
uniformity
CUDA编程——Warp Divergence

 

欢迎来到Wonder~

扫码加入我的QQ群:

扫码加入免费知识星球-YYC的Web3D旅程:

扫码关注微信公众号:

  转 https://www.cnblogs.com/chaogex/p/16578547.html

标签:index,WebGPU,冒泡排序,secondIndex,sharedData,var,排序,firstIndex,着色器
来源: https://www.cnblogs.com/wl-blog/p/16591845.html