Optimization for StackGradCUDAKernel for last dimension stack case.

[JamesLim-sy]

PR types

Performance optimization

PR changes

OPs

Describe

• Feature :

1. According to AF2 model, most of stack cases are about stacking at last dimension, and current cuda kernel stll has IO bound. So, optimize the stack_grad_cuda_kernel with 2D grid-block config.

• Performance

1. For last dimension cases in AF2 model.

x_grad.shape	split_num	Axis	Type	PaddleDev /ms	PaddeOpt /ms	Diff
[[1, 2048, 3584] * 3]	3	3	fp32	251.543	148.854	40.82%
			fp16	250.821	137.177	45.31%
[[1, 256, 256] * 3 ]	3	3	fp32	6.752	5.210	22.84%
			fp16	6.809	5.138	24.54%
[[1, 2048] * 3 ]	3	2	fp32	4.804	4.591	4.43%
			fp16	4.802	4.567	4.89%
[[1, 3584] * 3]	3	2	fp32	4.916	4.657	5.27%
			fp16	4.863	4.620	5.00%
[[1, 2048] * 9]	9	2	fp32	4.944	4.616	6.63%
			fp16	4.983	4.619	7.30%
[[1, 256, 8] * 9]	9	3	fp32	5.032	4.647	7.65%
			fp16	4.948	4.692	5.17%

[paddle-bot]

你的PR提交成功，感谢你对开源项目的贡献!
请关注后续CI自动化测试结果，详情请参考Paddle-CI手册。
Your PR has been submitted. Thanks for your contribution!
Please wait for the result of CI firstly. See Paddle CI Manual for details.

[AnnaTrainingG]

s_buf[s_idx];好像没啥作用呀，为啥不直接将data赋值给out_data，如果直接赋值那sync也需要去掉吧。

[JamesLim-sy]

这块想着是做访存合并，把数据全部读取到连续，存入转置的share_memory中，然后再连续读出来。
但是写的时候写挫了，没有实现连续读取.

[zkh2016]

这里block的线程数最大是512？如果block大小是变的 可以考虑动态shared memory size

[JamesLim-sy]

设置的 block大小是可变的，最大值为512，所以在__global__ kernel内部用的是个上限值.

[zkh2016]

ok

[zkh2016]

这里可以参考transpose写法，连续读，写shared memory的时候进行转置。

[JamesLim-sy]

这部分的优化是顺带完成的，读取部分没有实现连续访存读取需要进一步性能优化；不过，暂时不是影响模型的核心原因，所以进一步优化，在这一阶段不会继续下去。
关于优化方案部分，采用transpose 的tile方案确实是可行的，但是这个OP在last dim上做stack时，tensor的数量一般是3, 5, 9 这类的，采用transpose tile方案会产生较多的空线程，可能优化完之后收益并不是特别大，所以后续还是在这版方案的基础上进一步做优化.

[zkh2016]

好的

[JamesLim-sy]

auto col_divmod = phi::funcs::FastDivMod(out_num);

template <typename T, typename IndexT>
__global__ void StackGradKernelForLastDim(const T* __restrict__ in_data,
                                          const int cols,
                                          const IndexT rows,
                                          const IndexT tile_x_num,
                                          const IndexT numel,
                                          const phi::funcs::FastDivMod divmoder,
                                          T** out_datas) {
  __shared__ T s_buf[1024];
  int share_stride = blockDim.x + 1;

  for (IndexT tile_x = blockIdx.x; tile_x < tile_x_num; tile_x += gridDim.x) {
    int tid_in_block = threadIdx.y * blockDim.x + threadIdx.x;
    auto result = divmoder.Divmod(tid_in_block);

    IndexT tid = tile_x * blockDim.x * blockDim.y + tid_in_block;
    if (tid < numel) {
      int share_idx = result[1] * share_stride + result[0];
      s_buf[share_idx] = in_data[tid];
    }

    IndexT row_idx = tile_x * blockDim.x + threadIdx.x;
    int col_idx = blockIdx.y * blockDim.y + threadIdx.y;
    __syncthreads();

    if (col_idx < cols && row_idx < rows) {
      int share_idx = threadIdx.y * share_stride + threadIdx.x;
      if (out_datas[col_idx] != nullptr) {
        out_datas[col_idx][row_idx] = s_buf[share_idx];
      }
    }
  }
}

完成了这里的修改后，性能并没有明显的提升，反而相对合入的kernel的性能有所下降。但是这个kernel 已经实现了读写的访存连续。
目前合入的kernel中share_mem数据写入是线程连续的，现在我能想到的解释是：

1. 在这种case下，由于Dev版本中的kernel内share_mem 的写入线程是连续的，产生了broadcast效应，而上述代码的share_mem数据写入则是由于每个数据之间是存在 blockDim.x + 1 的数据间隔 （stride），因此单纯从写入share_mem这个角度，Dev版本的性能较好；
2. Dev版本中尽管数据读取并不连续，但是每个线程之间的数据stride多为3，tid_0读取data[0], tid_1读取data[3]，这样通过cache完成数据读取的时候，读取性能并不是太差，不造成瓶颈。

两者叠加造成了目前的测试结果，当然我后面也需要深入看看ncu 把这个问题搞清楚，感谢 @zkh2016 指教.

[Xreki]

LGTM，先合入当前版本，后续PR再继续优化吧。

[Xreki]

这个到底是什么的limit，变量命名上看不出来，后面再优化下，建议如kMaxGridSize。

[JamesLim-sy]

好的，这个是想表达多维线程设置情况下，每个线程的设置值的上限.