Esta página foi traduzida pela API Cloud Translation.

Introdução à computação de GPU na Web

Esta postagem explora a API WebGPU experimental com exemplos e ajuda você a começar a realizar cálculos paralelos de dados usando a GPU.

François Beaufort

Contexto

Como você já deve saber, a unidade de processamento gráfico (GPU) é um subsistema eletrônico em um computador que era originalmente especializado no processamento de gráficos. No entanto, nos últimos 10 anos, ele evoluiu para uma arquitetura mais flexível, permitindo que os desenvolvedores implementem muitos tipos de algoritmos, não apenas renderizando gráficos 3D, aproveitando a arquitetura exclusiva da GPU. Esses recursos são chamados de computação de GPU, e o uso de uma GPU como coprocessador para computação científica de uso geral é chamado de programação de GPU (GPGPU) de uso geral.

A computação de GPU contribuiu significativamente para o recente boom do aprendizado de máquina, já que as redes neurais convolucionais e outros modelos podem aproveitar a arquitetura para executar de maneira mais eficiente em GPUs. Como a plataforma da Web atual não tem recursos de computação de GPU, o grupo da comunidade "GPU for the Web" do W3C está projetando uma API para expor as APIs de GPU modernas disponíveis na maioria dos dispositivos atuais. Essa API é chamada de WebGPU.

A WebGPU é uma API de baixo nível, como a WebGL. Ele é muito poderoso e bastante detalhado, como você vai notar. Mas tudo bem. O que estamos procurando é o desempenho.

Neste artigo, vou me concentrar na parte de computação de GPU da WebGPU e, para ser sincero, vou apenas abordar o básico para que você possa começar a brincar por conta própria. Vou abordar mais a fundo e cobrir a renderização do WebGPU (tela, textura etc.) em artigos futuros.

Acessar a GPU

É fácil acessar a GPU na WebGPU. Chamar navigator.gpu.requestAdapter() retorna uma promessa de JavaScript que será resolvida de forma assíncrona com um adaptador de GPU. Pense nesse adaptador como a placa de vídeo. Ele pode ser integrado (no mesmo chip da CPU) ou discreto (geralmente um cartão PCIe que tem mais performance, mas consome mais energia).

Depois de adicionar o adaptador de GPU, chame adapter.requestDevice() para receber uma promessa que será resolvida com um dispositivo de GPU que você vai usar para fazer algumas computações.

const adapter = await navigator.gpu.requestAdapter();
if (!adapter) { return; }
const device = await adapter.requestDevice();

Ambas as funções aceitam opções que permitem especificar o tipo de adaptador (preferência de energia) e dispositivo (extensões, limites) que você quer. Para simplicidade, vamos usar as opções padrão neste artigo.

Gravar memória de buffer

Vamos ver como usar o JavaScript para gravar dados na memória da GPU. Esse processo não é simples devido ao modelo de sandbox usado em navegadores da Web modernos.

O exemplo abaixo mostra como gravar quatro bytes na memória de buffer acessível pela GPU. Ele chama device.createBuffer(), que recebe o tamanho do buffer e o uso dele. Embora a flag de uso GPUBufferUsage.MAP_WRITE não seja necessária para essa chamada específica, vamos explicitar que queremos gravar neste buffer. Isso resulta em um objeto de buffer de GPU mapeado na criação, graças a mappedAtCreation definido como verdadeiro. Em seguida, o buffer de dados binários brutos associado pode ser recuperado chamando o método de buffer da GPU getMappedRange().

Escrever bytes é familiar se você já brincou com ArrayBuffer. Use um TypedArray e copie os valores para ele.

// Get a GPU buffer in a mapped state and an arrayBuffer for writing.
const gpuBuffer = device.createBuffer({
  mappedAtCreation: true,
  size: 4,
  usage: GPUBufferUsage.MAP_WRITE
});
const arrayBuffer = gpuBuffer.getMappedRange();

// Write bytes to buffer.
new Uint8Array(arrayBuffer).set([0, 1, 2, 3]);

Nesse ponto, o buffer da GPU é mapeado, ou seja, ele é de propriedade da CPU e pode ser acessado em leitura/gravação do JavaScript. Para que a GPU possa acessá-lo, ele precisa ser desmapeado, o que é tão simples quanto chamar gpuBuffer.unmap().

O conceito de mapeado/não mapeado é necessário para evitar condições de corrida em que a GPU e a CPU acessam a memória ao mesmo tempo.

Ler a memória de buffer

Agora vamos ver como copiar um buffer de GPU para outro e ler de volta.

Como estamos escrevendo no primeiro buffer de GPU e queremos copiá-lo para um segundo buffer de GPU, uma nova flag de uso GPUBufferUsage.COPY_SRC é necessária. O segundo buffer de GPU é criado em um estado não mapeado desta vez com device.createBuffer(). A flag de uso é GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ, porque ela será usada como o destino do primeiro buffer de GPU e lida em JavaScript assim que os comandos de cópia de GPU forem executados.

// Get a GPU buffer in a mapped state and an arrayBuffer for writing.
const gpuWriteBuffer = device.createBuffer({
  mappedAtCreation: true,
  size: 4,
  usage: GPUBufferUsage.MAP_WRITE | GPUBufferUsage.COPY_SRC
});
const arrayBuffer = gpuWriteBuffer.getMappedRange();

// Write bytes to buffer.
new Uint8Array(arrayBuffer).set([0, 1, 2, 3]);

// Unmap buffer so that it can be used later for copy.
gpuWriteBuffer.unmap();

// Get a GPU buffer for reading in an unmapped state.
const gpuReadBuffer = device.createBuffer({
  size: 4,
  usage: GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ
});

Como a GPU é um coprocessador independente, todos os comandos da GPU são executados de forma assíncrona. É por isso que há uma lista de comandos da GPU criados e enviados em lotes quando necessário. Na WebGPU, o codificador de comando da GPU retornado por device.createCommandEncoder() é o objeto JavaScript que cria um lote de comandos "em buffer" que serão enviados à GPU em algum momento. Os métodos em GPUBuffer, por outro lado, são "sem buffer", o que significa que eles são executados de forma atômica no momento em que são chamados.

Depois de ter o codificador de comando da GPU, chame copyEncoder.copyBufferToBuffer() conforme mostrado abaixo para adicionar esse comando à fila de comandos para execução posterior. Por fim, termine de codificar comandos chamando copyEncoder.finish() e envie esses comandos para a fila de comandos do dispositivo da GPU. A fila é responsável por processar os envios feitos por device.queue.submit() com os comandos da GPU como argumentos. Isso vai executar atomicamente todos os comandos armazenados na matriz em ordem.

// Encode commands for copying buffer to buffer.
const copyEncoder = device.createCommandEncoder();
copyEncoder.copyBufferToBuffer(
  gpuWriteBuffer /* source buffer */,
  0 /* source offset */,
  gpuReadBuffer /* destination buffer */,
  0 /* destination offset */,
  4 /* size */
);

// Submit copy commands.
const copyCommands = copyEncoder.finish();
device.queue.submit([copyCommands]);

Nesse ponto, os comandos da fila da GPU foram enviados, mas não necessariamente executados. Para ler o segundo buffer de GPU, chame gpuReadBuffer.mapAsync() com GPUMapMode.READ. Ele retorna uma promessa que será resolvida quando o buffer da GPU for mapeado. Em seguida, receba o intervalo mapeado com gpuReadBuffer.getMappedRange() que contém os mesmos valores do primeiro buffer de GPU depois que todos os comandos de GPU em fila foram executados.

// Read buffer.
await gpuReadBuffer.mapAsync(GPUMapMode.READ);
const copyArrayBuffer = gpuReadBuffer.getMappedRange();
console.log(new Uint8Array(copyArrayBuffer));

Teste este exemplo.

Em resumo, aqui está o que você precisa lembrar sobre as operações de memória de buffer:

Os buffers de GPU precisam ser desmapeados para serem usados no envio de filas de dispositivos.
Quando mapeados, os buffers de GPU podem ser lidos e gravados em JavaScript.
Os buffers da GPU são mapeados quando mapAsync() e createBuffer() com mappedAtCreation definido como verdadeiro são chamados.

Programação de sombreador

Os programas executados na GPU que só executam cálculos (e não desenham triângulos) são chamados de shaders de computação. Elas são executadas em paralelo por centenas de núcleos de GPU (menores que os núcleos de CPU) que operam juntos para processar dados. A entrada e a saída são buffers na WebGPU.

Para ilustrar o uso de sombreadores de computação na WebGPU, vamos brincar com a multiplicação de matrizes, um algoritmo comum em aprendizado de máquina ilustrado abaixo.

Em resumo, vamos fazer o seguinte:

Crie três buffers de GPU (dois para as matrizes serem multiplicadas e um para a matriz de resultado)
Descrever a entrada e a saída do sombreador de computação
Compilar o código do sombreador de computação
Configurar um pipeline de computação
Enviar em lote os comandos codificados para a GPU
Ler o buffer da GPU da matriz de resultados

Criação de buffers de GPU

Para simplificar, as matrizes serão representadas como uma lista de números de ponto flutuante. O primeiro elemento é o número de linhas, o segundo é o número de colunas, e o restante são os números reais da matriz.

Representação simples de uma matriz em JavaScript e o equivalente em notação matemática

Os três buffers de GPU são buffers de armazenamento, já que precisamos armazenar e extrair dados no shader de computação. Isso explica por que as flags de uso do buffer da GPU incluem GPUBufferUsage.STORAGE para todas elas. A flag de uso da matriz de resultados também tem GPUBufferUsage.COPY_SRC porque ela será copiada para outro buffer para leitura depois que todos os comandos da fila da GPU forem executados.

const adapter = await navigator.gpu.requestAdapter();
if (!adapter) { return; }
const device = await adapter.requestDevice();


// First Matrix

const firstMatrix = new Float32Array([
  2 /* rows */, 4 /* columns */,
  1, 2, 3, 4,
  5, 6, 7, 8
]);

const gpuBufferFirstMatrix = device.createBuffer({
  mappedAtCreation: true,
  size: firstMatrix.byteLength,
  usage: GPUBufferUsage.STORAGE,
});
const arrayBufferFirstMatrix = gpuBufferFirstMatrix.getMappedRange();
new Float32Array(arrayBufferFirstMatrix).set(firstMatrix);
gpuBufferFirstMatrix.unmap();


// Second Matrix

const secondMatrix = new Float32Array([
  4 /* rows */, 2 /* columns */,
  1, 2,
  3, 4,
  5, 6,
  7, 8
]);

const gpuBufferSecondMatrix = device.createBuffer({
  mappedAtCreation: true,
  size: secondMatrix.byteLength,
  usage: GPUBufferUsage.STORAGE,
});
const arrayBufferSecondMatrix = gpuBufferSecondMatrix.getMappedRange();
new Float32Array(arrayBufferSecondMatrix).set(secondMatrix);
gpuBufferSecondMatrix.unmap();


// Result Matrix

const resultMatrixBufferSize = Float32Array.BYTES_PER_ELEMENT * (2 + firstMatrix[0] * secondMatrix[1]);
const resultMatrixBuffer = device.createBuffer({
  size: resultMatrixBufferSize,
  usage: GPUBufferUsage.STORAGE | GPUBufferUsage.COPY_SRC
});

Layout e grupo de vinculação

Os conceitos de layout e grupo de vinculação são específicos da WebGPU. Um layout de grupo de vinculação define a interface de entrada/saída esperada por um sombreador, enquanto um grupo de vinculação representa os dados de entrada/saída reais de um sombreador.

No exemplo abaixo, o layout do grupo de vinculação espera dois buffers de armazenamento somente leitura nas vinculações de entrada numeradas 0, 1 e um buffer de armazenamento em 2 para o sombreador de computação. O grupo de vinculação, por outro lado, definido para esse layout de grupo de vinculação, associa buffers de GPU às entradas: gpuBufferFirstMatrix à vinculação 0, gpuBufferSecondMatrix à vinculação 1 e resultMatrixBuffer à vinculação 2.

const bindGroupLayout = device.createBindGroupLayout({
  entries: [
    {
      binding: 0,
      visibility: GPUShaderStage.COMPUTE,
      buffer: {
        type: "read-only-storage"
      }
    },
    {
      binding: 1,
      visibility: GPUShaderStage.COMPUTE,
      buffer: {
        type: "read-only-storage"
      }
    },
    {
      binding: 2,
      visibility: GPUShaderStage.COMPUTE,
      buffer: {
        type: "storage"
      }
    }
  ]
});

const bindGroup = device.createBindGroup({
  layout: bindGroupLayout,
  entries: [
    {
      binding: 0,
      resource: {
        buffer: gpuBufferFirstMatrix
      }
    },
    {
      binding: 1,
      resource: {
        buffer: gpuBufferSecondMatrix
      }
    },
    {
      binding: 2,
      resource: {
        buffer: resultMatrixBuffer
      }
    }
  ]
});

Código do shader de computação

O código do sombreador de computação para matrizes de multiplicação é escrito em WGSL, a linguagem de sombreador da WebGPU, que é facilmente traduzível para SPIR-V. Sem entrar em detalhes, você encontrará abaixo os três buffers de armazenamento identificados com var<storage>. O programa vai usar firstMatrix e secondMatrix como entradas e resultMatrix como saída.

Cada buffer de armazenamento tem uma decoração binding usada que corresponde ao mesmo índice definido nos layouts de grupo de vinculação e nos grupos de vinculação declarados acima.

const shaderModule = device.createShaderModule({
  code: `
    struct Matrix {
      size : vec2f,
      numbers: array<f32>,
    }

    @group(0) @binding(0) var<storage, read> firstMatrix : Matrix;
    @group(0) @binding(1) var<storage, read> secondMatrix : Matrix;
    @group(0) @binding(2) var<storage, read_write> resultMatrix : Matrix;

    @compute @workgroup_size(8, 8)
    fn main(@builtin(global_invocation_id) global_id : vec3u) {
      // Guard against out-of-bounds work group sizes
      if (global_id.x >= u32(firstMatrix.size.x) || global_id.y >= u32(secondMatrix.size.y)) {
        return;
      }

      resultMatrix.size = vec2(firstMatrix.size.x, secondMatrix.size.y);

      let resultCell = vec2(global_id.x, global_id.y);
      var result = 0.0;
      for (var i = 0u; i < u32(firstMatrix.size.y); i = i + 1u) {
        let a = i + resultCell.x * u32(firstMatrix.size.y);
        let b = resultCell.y + i * u32(secondMatrix.size.y);
        result = result + firstMatrix.numbers[a] * secondMatrix.numbers[b];
      }

      let index = resultCell.y + resultCell.x * u32(secondMatrix.size.y);
      resultMatrix.numbers[index] = result;
    }
  `
});

Configuração do pipeline

O pipeline de computação é o objeto que descreve a operação de computação que vamos realizar. Para criar, chame device.createComputePipeline(). Ele usa dois argumentos: o layout de grupo de vinculação que criamos anteriormente e um estágio de computação que define o ponto de entrada do nosso sombreador de computação (a função WGSL main) e o módulo de sombreador de computação real criado com device.createShaderModule().

const computePipeline = device.createComputePipeline({
  layout: device.createPipelineLayout({
    bindGroupLayouts: [bindGroupLayout]
  }),
  compute: {
    module: shaderModule,
    entryPoint: "main"
  }
});

Envio de comandos

Depois de instanciar um grupo de vinculação com nossos três buffers de GPU e um pipeline de computação com um layout de grupo de vinculação, é hora de usá-los.

Vamos iniciar um codificador de passagem de computação programável com commandEncoder.beginComputePass(). Vamos usar isso para codificar comandos de GPU que vão realizar a multiplicação de matrizes. Defina o pipeline com passEncoder.setPipeline(computePipeline) e o grupo de vinculação no índice 0 com passEncoder.setBindGroup(0, bindGroup). O índice 0 corresponde à decoração group(0) no código WGSL.

Agora vamos falar sobre como esse sombreador de computação vai ser executado na GPU. Nosso objetivo é executar esse programa em paralelo para cada célula da matriz de resultados, passo a passo. Para uma matriz de resultados de 16 x 32, por exemplo, para codificar o comando de execução, em um @workgroup_size(8, 8), chamamos passEncoder.dispatchWorkgroups(2, 4) ou passEncoder.dispatchWorkgroups(16 / 8, 32 / 8). O primeiro argumento "x" é a primeira dimensão, o segundo "y" é a segunda dimensão, e o mais recente "z" é a terceira dimensão, que é definida como 1 por padrão, já que não é necessária aqui. No mundo de computação de GPU, a codificação de um comando para executar uma função do kernel em um conjunto de dados é chamada de despacho.

Execução em paralelo para cada célula da matriz de resultados

O tamanho da grade do grupo de trabalho para o sombreador de computação é (8, 8) no código WGSL. Por isso, "x" e "y", que são respectivamente o número de linhas da primeira matriz e o número de colunas da segunda matriz, serão divididos por 8. Com isso, agora podemos enviar uma chamada de computação com passEncoder.dispatchWorkgroups(firstMatrix[0] / 8, secondMatrix[1] / 8). O número de grids de grupo de trabalho a serem executados são os argumentos dispatchWorkgroups().

Como mostrado na imagem acima, cada sombreador terá acesso a um objeto builtin(global_invocation_id) exclusivo, que será usado para saber qual célula da matriz de resultados calcular.

const commandEncoder = device.createCommandEncoder();

const passEncoder = commandEncoder.beginComputePass();
passEncoder.setPipeline(computePipeline);
passEncoder.setBindGroup(0, bindGroup);
const workgroupCountX = Math.ceil(firstMatrix[0] / 8);
const workgroupCountY = Math.ceil(secondMatrix[1] / 8);
passEncoder.dispatchWorkgroups(workgroupCountX, workgroupCountY);
passEncoder.end();

Para encerrar o codificador de cartão de computação, chame passEncoder.end(). Em seguida, crie um buffer de GPU para usar como destino para copiar o buffer de matriz de resultados com copyBufferToBuffer. Por fim, termine de codificar comandos com copyEncoder.finish() e envie-os para a fila de dispositivos da GPU chamando device.queue.submit() com os comandos da GPU.

// Get a GPU buffer for reading in an unmapped state.
const gpuReadBuffer = device.createBuffer({
  size: resultMatrixBufferSize,
  usage: GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ
});

// Encode commands for copying buffer to buffer.
commandEncoder.copyBufferToBuffer(
  resultMatrixBuffer /* source buffer */,
  0 /* source offset */,
  gpuReadBuffer /* destination buffer */,
  0 /* destination offset */,
  resultMatrixBufferSize /* size */
);

// Submit GPU commands.
const gpuCommands = commandEncoder.finish();
device.queue.submit([gpuCommands]);

Ler matriz de resultados

A leitura da matriz de resultados é tão fácil quanto chamar gpuReadBuffer.mapAsync() com GPUMapMode.READ e esperar que a promessa de retorno seja resolvida, o que indica que o buffer da GPU agora está mapeado. Nesse ponto, é possível acessar o intervalo mapeado com gpuReadBuffer.getMappedRange().

No nosso código, o resultado registrado no console JavaScript do DevTools é "2, 2, 50, 60, 114, 140".

// Read buffer.
await gpuReadBuffer.mapAsync(GPUMapMode.READ);
const arrayBuffer = gpuReadBuffer.getMappedRange();
console.log(new Float32Array(arrayBuffer));

Parabéns! Você conseguiu. Você pode brincar com o exemplo.

Um último truque

Uma maneira de facilitar a leitura do código é usar o método getBindGroupLayout útil do pipeline de computação para inferir o layout do grupo de vinculação do módulo de sombreador. Esse truque elimina a necessidade de criar um layout de grupo de vinculação personalizado e especificar um layout de pipeline no pipeline de computação, conforme mostrado abaixo.

Uma ilustração de getBindGroupLayout para o exemplo anterior está disponível.

 const computePipeline = device.createComputePipeline({
-  layout: device.createPipelineLayout({
-    bindGroupLayouts: [bindGroupLayout]
-  }),
   compute: {

-// Bind group layout and bind group
- const bindGroupLayout = device.createBindGroupLayout({
-   entries: [
-     {
-       binding: 0,
-       visibility: GPUShaderStage.COMPUTE,
-       buffer: {
-         type: "read-only-storage"
-       }
-     },
-     {
-       binding: 1,
-       visibility: GPUShaderStage.COMPUTE,
-       buffer: {
-         type: "read-only-storage"
-       }
-     },
-     {
-       binding: 2,
-       visibility: GPUShaderStage.COMPUTE,
-       buffer: {
-         type: "storage"
-       }
-     }
-   ]
- });
+// Bind group
  const bindGroup = device.createBindGroup({
-  layout: bindGroupLayout,
+  layout: computePipeline.getBindGroupLayout(0 /* index */),
   entries: [

Resultados de performance

Como a multiplicação de matrizes em uma GPU se compara à execução em uma CPU? Para descobrir, escrevi o programa descrito para uma CPU. E, como você pode ver no gráfico abaixo, usar o poder total da GPU parece uma escolha óbvia quando o tamanho das matrizes é maior que 256 x 256.

Comparativo de mercado de GPU x CPU — Comparação de GPU e CPU

Este artigo foi apenas o começo da minha jornada de exploração da WebGPU. Em breve, mais artigos com mais informações sobre GPU Compute e como a renderização (tela, textura, sampler) funciona na WebGPU.