Cet article explore l'API WebGPU expérimentale à l'aide d'exemples et vous aide à commencer à effectuer des calculs avec parallélisme des données à l'aide du GPU.
Contexte
Comme vous le savez peut-être déjà, le processeur graphique (GPU) est un sous-système électronique d'un ordinateur initialement spécialisé dans le traitement des graphismes. Cependant, au cours des 10 dernières années, elle a évolué vers une architecture plus flexible permettant aux développeurs de mettre en œuvre de nombreux types d'algorithmes, et pas seulement d'afficher des graphismes 3D, tout en tirant parti de l'architecture unique du GPU. Ces capacités sont appelées "calcul GPU". L'utilisation d'un GPU en tant que coprocesseur à usage scientifique général est appelée programmation GPU à usage général (GPGPU).
Le calcul sur GPU a grandement contribué à l'essor récent du machine learning, car les réseaux de neurones à convolution et d'autres modèles peuvent exploiter l'architecture pour fonctionner plus efficacement sur les GPU. La plate-forme Web actuelle étant dépourvue de fonctionnalités de calcul GPU, le groupe de la communauté "GPU pour le Web" du W3C conçoit une API pour exposer les API GPU modernes disponibles sur la plupart des appareils actuels. Cette API s'appelle WebGPU.
WebGPU est une API de bas niveau, comme WebGL. C'est très puissant et très détaillé, comme vous le verrez. Mais ce n'est pas un problème. Ce que nous recherchons, ce sont les performances.
Dans cet article, je vais me concentrer sur la partie GPU Compute de WebGPU. Pour être honnête, je ne fais qu'effleurer la surface pour que vous puissiez commencer à jouer par vous-même. Je m'intéresserai plus en détail au rendu WebGPU (canevas, texture, etc.) dans les prochains articles.
Accéder au GPU
L'accès au GPU est facile dans WebGPU. L'appel de navigator.gpu.requestAdapter()
renvoie une promesse JavaScript qui se résout de manière asynchrone avec un adaptateur GPU. Considérez cet adaptateur comme la carte graphique. Elle peut être intégrée (sur la même puce que le processeur) ou discrète (généralement une carte PCIe plus performante, mais utilisant plus d'énergie).
Une fois que vous disposez de l'adaptateur GPU, appelez adapter.requestDevice()
pour obtenir une promesse qui se résout avec un appareil GPU que vous utiliserez pour effectuer des calculs GPU.
const adapter = await navigator.gpu.requestAdapter();
if (!adapter) { return; }
const device = await adapter.requestDevice();
Les deux fonctions utilisent des options qui vous permettent d'être précis sur le type d'adaptateur (préférence d'alimentation) et l'appareil (extensions, limites) que vous souhaitez. Par souci de simplicité, nous utiliserons les options par défaut dans cet article.
Écrire dans la mémoire tampon
Voyons comment utiliser JavaScript pour écrire des données dans la mémoire du GPU. Ce processus n'est pas simple en raison du modèle de bac à sable utilisé dans les navigateurs Web modernes.
L'exemple ci-dessous vous montre comment écrire quatre octets dans la mémoire tampon accessible à partir du GPU. Elle appelle device.createBuffer()
, qui prend la taille du tampon et son utilisation. Même si l'indicateur d'utilisation GPUBufferUsage.MAP_WRITE
n'est pas requis pour cet appel spécifique, indiquons explicitement que nous voulons écrire dans ce tampon. Il en résulte un objet de tampon GPU mappé lors de la création grâce à mappedAtCreation
défini sur "true". Vous pouvez ensuite récupérer le tampon de données binaires brutes associé en appelant la méthode de tampon GPU getMappedRange()
.
Il est courant d'écrire des octets si vous avez déjà joué avec ArrayBuffer
. Utilisez un TypedArray
et copiez-y les valeurs.
// 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]);
À ce stade, le tampon GPU est mappé, ce qui signifie qu'il appartient au processeur et qu'il est accessible en lecture/écriture à partir de JavaScript. Pour que le GPU puisse y accéder, il ne doit pas être mappé, ce qui est aussi simple que d'appeler gpuBuffer.unmap()
.
Le concept de mappage/non mappé est nécessaire pour éviter les conditions de concurrence dans lesquelles le GPU et le processeur accèdent en même temps à la mémoire.
Lire la mémoire tampon
Voyons maintenant comment copier un tampon GPU dans un autre tampon GPU et le relire.
Étant donné que nous écrivons dans le premier tampon de GPU et que nous voulons le copier dans un deuxième tampon de GPU, un nouvel indicateur d'utilisation GPUBufferUsage.COPY_SRC
est requis. Le deuxième tampon GPU est créé dans un état non mappé cette fois avec device.createBuffer()
. Son indicateur d'utilisation est GPUBufferUsage.COPY_DST |
GPUBufferUsage.MAP_READ
, car il sera utilisé comme destination du premier tampon GPU et lu en JavaScript une fois les commandes de copie GPU exécutées.
// 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
});
Comme le GPU est un coprocesseur indépendant, toutes les commandes GPU sont exécutées de manière asynchrone. C'est pourquoi une liste de commandes GPU est créée et envoyée par lots si nécessaire. Dans WebGPU, l'encodeur de commande GPU renvoyé par device.createCommandEncoder()
est l'objet JavaScript qui compile un lot de commandes "en mémoire tampon" qui seront envoyées au GPU à un moment donné. En revanche, les méthodes sur GPUBuffer
sont "sans mise en mémoire tampon", ce qui signifie qu'elles s'exécutent de manière atomique au moment où elles sont appelées.
Une fois que vous disposez de l'encodeur de commande GPU, appelez copyEncoder.copyBufferToBuffer()
comme indiqué ci-dessous pour ajouter cette commande à la file d'attente de commandes afin de l'exécuter ultérieurement.
Enfin, terminez les commandes d'encodage en appelant copyEncoder.finish()
et envoyez-les à la file d'attente de commandes de l'appareil GPU. La file d'attente est chargée de gérer les envois effectués via device.queue.submit()
avec les commandes GPU comme arguments.
Toutes les commandes stockées dans le tableau seront exécutées de manière atomique.
// 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]);
À ce stade, les commandes de file d'attente GPU ont été envoyées, mais pas nécessairement exécutées.
Pour lire le deuxième tampon GPU, appelez gpuReadBuffer.mapAsync()
avec GPUMapMode.READ
. Elle renvoie une promesse qui se résout lorsque le tampon GPU est mappé. Obtenez ensuite la plage mappée avec gpuReadBuffer.getMappedRange()
qui contient les mêmes valeurs que le premier tampon GPU une fois que toutes les commandes GPU en file d'attente ont été exécutées.
// Read buffer.
await gpuReadBuffer.mapAsync(GPUMapMode.READ);
const copyArrayBuffer = gpuReadBuffer.getMappedRange();
console.log(new Uint8Array(copyArrayBuffer));
Vous pouvez essayer cet exemple.
En résumé, voici ce que vous devez garder à l'esprit concernant les opérations liées à la mémoire tampon:
- Les tampons GPU ne doivent pas être mappés pour être utilisés lors de l'envoi de la file d'attente de l'appareil.
- Lorsqu'ils sont mappés, les tampons GPU peuvent être lus et écrits en JavaScript.
- Les tampons GPU sont mappés lorsque
mapAsync()
etcreateBuffer()
avecmappedAtCreation
défini sur "true" sont appelés.
Programmation du nuanceur
Les programmes exécutés sur le GPU qui n'effectuent que des calculs (et ne dessinent pas de triangles) sont appelés nuanceurs de calcul. Elles sont exécutées en parallèle par des centaines de cœurs de GPU (dont la taille est inférieure à celle des cœurs de processeur) qui fonctionnent ensemble pour traiter les données. Leurs entrées et sorties sont des tampons dans WebGPU.
Pour illustrer l'utilisation des nuanceurs de calcul dans WebGPU, nous allons jouer à la multiplication matricielle, un algorithme courant de machine learning illustré ci-dessous.
![Diagramme de multiplication matricielle](https://developer.chrome.com/static/docs/capabilities/web-apis/gpu-compute/image/matrix-multiplication-dia-18ebcce8f6445.jpeg?authuser=6&hl=fr)
Voici ce que nous allons faire:
- Créer trois tampons GPU (deux pour les matrices à multiplier et un pour la matrice de résultats)
- Décrire les entrées et les sorties du nuanceur de calcul
- Compiler le code du nuanceur de calcul
- Configurer un pipeline de calcul
- Envoyer de façon groupée les commandes encodées au GPU
- Lire le tampon GPU de la matrice de résultats
Création de tampons GPU
Par souci de simplicité, les matrices seront représentées par une liste de nombres à virgule flottante. Le premier élément correspond au nombre de lignes, le deuxième au nombre de colonnes et le reste correspond aux nombres réels de la matrice.
![Représentation simple d'une matrice en JavaScript et de son équivalent en notation mathématique](https://developer.chrome.com/static/docs/capabilities/web-apis/gpu-compute/image/simple-representation-a-a54c48f6c0ddd.jpeg?authuser=6&hl=fr)
Les trois tampons de GPU sont des tampons de stockage, car nous devons stocker et récupérer des données dans le nuanceur de calcul. C'est pourquoi les indicateurs d'utilisation du tampon GPU incluent GPUBufferUsage.STORAGE
pour tous. L'indicateur d'utilisation de la matrice de résultat affiche également GPUBufferUsage.COPY_SRC
, car il sera copié dans un autre tampon pour être lu une fois que toutes les commandes de la file d'attente GPU ont été exécutées.
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
});
Mise en page du groupe de liaisons et groupe de liaisons
Les concepts de mise en page et de groupe de liaisons sont spécifiques à WebGPU. Une mise en page de groupe de liaisons définit l'interface d'entrée/sortie attendue par un nuanceur, tandis qu'un groupe de liaisons représente les données d'entrée/sortie réelles d'un nuanceur.
Dans l'exemple ci-dessous, la mise en page du groupe de liaisons attend deux tampons de stockage en lecture seule pour les liaisons d'entrée numérotées 0
et 1
, et un tampon de stockage à 2
pour le nuanceur de calcul.
Le groupe de liaisons, défini pour cette disposition de groupe de liaisons, associe des tampons GPU aux entrées: gpuBufferFirstMatrix
à la liaison 0
, gpuBufferSecondMatrix
à la liaison 1
et resultMatrixBuffer
à la liaison 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
}
}
]
});
Calculer le code du nuanceur
Le code du nuanceur de calcul permettant de multiplier les matrices est écrit en WGSL, le langage de nuance WebGPU, qui peut être facilement traduit en SPIR-V. Sans entrer dans les détails, vous devriez trouver sous les trois tampons de stockage identifiés par var<storage>
. Le programme utilisera firstMatrix
et secondMatrix
en tant qu'entrées, et resultMatrix
comme sortie.
Notez que chaque tampon de stockage comporte une décoration binding
qui correspond au même index défini dans les mises en page de groupes de liaisons et les groupes de liaisons déclarés ci-dessus.
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;
}
`
});
Configuration du pipeline
Le pipeline de calcul est l'objet qui décrit l'opération de calcul que nous allons effectuer. Créez-la en appelant device.createComputePipeline()
.
Il utilise deux arguments: la mise en page du groupe de liaisons que nous avons créée précédemment, et une étape de calcul définissant le point d'entrée de notre nuanceur de calcul (la fonction WGSL main
) et le module de nuanceur de calcul créé avec device.createShaderModule()
.
const computePipeline = device.createComputePipeline({
layout: device.createPipelineLayout({
bindGroupLayouts: [bindGroupLayout]
}),
compute: {
module: shaderModule,
entryPoint: "main"
}
});
Envoi de commandes
Après avoir instancié un groupe de liaisons avec nos trois tampons GPU et un pipeline de calcul avec une mise en page de groupe de liaisons, il est temps de les utiliser.
Commençons par lancer un encodeur de passe de calcul programmable avec commandEncoder.beginComputePass()
. Nous l'utiliserons pour encoder les commandes
GPU qui effectueront la multiplication matricielle. Définissez son pipeline sur passEncoder.setPipeline(computePipeline)
et son groupe de liaisons sur l'index 0 avec passEncoder.setBindGroup(0, bindGroup)
. L'index 0 correspond à la décoration group(0)
dans le code WGSL.
Voyons maintenant comment ce nuanceur de calcul va s'exécuter sur le GPU. Notre objectif est d'exécuter ce programme pas à pas en parallèle pour chaque cellule de la matrice de résultats. Par exemple, pour encoder la commande d'exécution sur une matrice de résultats de 16 x 32 sur une @workgroup_size(8, 8)
, nous appellerions passEncoder.dispatchWorkgroups(2, 4)
ou passEncoder.dispatchWorkgroups(16 / 8, 32 / 8)
.
Le premier argument "x" est la première dimension, le second "y" est la deuxième dimension, et la dernière dimension "z" est la troisième dimension dont la valeur par défaut est 1, car nous n'en avons pas besoin ici.
Dans le monde du calcul GPU, l'encodage d'une commande permettant d'exécuter une fonction de noyau sur un ensemble de données s'appelle la distribution.
![Exécution en parallèle pour chaque cellule de la matrice de résultats](https://developer.chrome.com/static/docs/capabilities/web-apis/gpu-compute/image/execution-parallel-each-6e443814da856.jpeg?authuser=6&hl=fr)
La taille de la grille de groupe de travail pour notre nuanceur de calcul est de (8, 8)
dans notre code WGSL. De ce fait, "x" et "y" qui correspondent respectivement au nombre de lignes de la première matrice et du nombre de colonnes de la deuxième matrice seront divisés par 8. Nous pouvons maintenant envoyer un appel de calcul avec passEncoder.dispatchWorkgroups(firstMatrix[0] / 8, secondMatrix[1] / 8)
. Le nombre de grilles de groupes de travail à exécuter correspond aux arguments dispatchWorkgroups()
.
Comme le montre le schéma ci-dessus, chaque nuanceur aura accès à un objet builtin(global_invocation_id)
unique qui permettra de savoir quelle cellule de la matrice de résultat calculer.
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();
Pour arrêter l'encodeur Compute Pass, appelez passEncoder.end()
. Créez ensuite un tampon GPU à utiliser comme destination pour copier le tampon de la matrice de résultat avec copyBufferToBuffer
. Enfin, terminez les commandes d'encodage avec copyEncoder.finish()
et envoyez-les à la file d'attente des appareils GPU en appelant device.queue.submit()
avec les commandes 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]);
Lire la matrice des résultats
Pour lire la matrice de résultats, il suffit d'appeler gpuReadBuffer.mapAsync()
avec GPUMapMode.READ
et d'attendre la résolution de la promesse renvoyée, ce qui indique que le tampon GPU est maintenant mappé. À ce stade, il est possible d'obtenir la plage mappée avec gpuReadBuffer.getMappedRange()
.
![Résultat de la multiplication de matrices](https://developer.chrome.com/static/docs/capabilities/web-apis/gpu-compute/image/matrix-multiplication-res-c04b7fceb1ce8.jpeg?authuser=6&hl=fr)
Dans notre code, le résultat enregistré dans la console JavaScript des outils de développement est "2, 2, 50, 60, 114, 140".
// Read buffer.
await gpuReadBuffer.mapAsync(GPUMapMode.READ);
const arrayBuffer = gpuReadBuffer.getMappedRange();
console.log(new Float32Array(arrayBuffer));
Félicitations ! C'est fait ! Vous pouvez écouter le Sample.
Une dernière astuce
Une façon de faciliter la lecture de votre code consiste à utiliser la méthode pratique getBindGroupLayout
du pipeline de calcul pour déduire la mise en page du groupe de liaisons à partir du module de nuanceur. Cette astuce évite d'avoir à créer une mise en page de groupe de liaisons personnalisée et à spécifier une mise en page de pipeline dans votre pipeline de calcul, comme vous pouvez le voir ci-dessous.
Une illustration de getBindGroupLayout
pour l'extrait précédent est disponible.
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: [
Résultats concernant les performances
Quelle est donc la différence entre l'exécution de la multiplication matricielle sur un GPU et son exécution sur un processeur ? Pour le savoir, j’ai écrit le programme qui vient d’être décrit pour un CPU. Comme vous pouvez le voir dans le graphique ci-dessous, l'utilisation de toute la puissance du GPU semble être un choix évident lorsque la taille des matrices est supérieure à 256 x 256.
![Comparatif GPU par rapport au CPU](https://developer.chrome.com/static/docs/capabilities/web-apis/gpu-compute/image/gpu-vs-cpu-benchmark-391d7651d455d.jpeg?authuser=6&hl=fr)
Cet article n'était que le début de mon parcours d'exploration de WebGPU. Attendez-vous à recevoir d'autres articles présentant des informations plus détaillées sur le calcul GPU et sur le fonctionnement du rendu (canevas, texture, échantillonneur) dans WebGPU.