mmmml
/
GPUKernelContest
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

!4 update README 

Merge pull request !4 from Kevin Zhang/dev
This commit is contained in:
Kevin Zhang 2025-09-04 10:42:07 +00:00 committed by Gitee
parent ab43e17fc9 07a6c32971
commit 5d67c97783
No known key found for this signature in database
GPG Key ID: 173E9B9CA92EEF8F
22 changed files with 416 additions and 94 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

36
.gitee/ISSUE_TEMPLATE/cp.yml Normal file
View File

@ -0,0 +1,36 @@
name: 赛题(CP)
description: 参赛题目
title: "[cp]: "
labels: ["cp"]
body:
- type: markdown
attributes:
value: |
感谢你积极参与比赛，并提交自己希望参加的赛题，当出现一样的题目、一样的性能的时候，以谁创建赛题的时间早者优先。
- type: textarea
id: desired-solution
attributes:
label: 你提交的赛题的内容介绍
description: 清晰并简洁地描述你希望参赛的内容详细的描述，尽量清晰方便他人了解赛题希望达成的目标。
validations:
required: true
- type: textarea
id: alternatives
attributes:
label: 赛题有对应的预期结果
description: 清晰并简洁地描述赛题完成的预期结果，最佳的方式是知道如何测试验证预期结果的正确性。
validations:
required: false
- type: textarea
id: additional-context
attributes:
label: 你有其他相关背景的信息吗？
description: 在此处添加有关想法的任何其他上下文或截图。
validations:
required: false
- type: checkboxes
attributes:
label: 推荐其它选手完成【如选否，请创建后assign赛题给自己】
options:
- label: 是否希望推荐给别人完成该赛题。
required: false

2
.gitee/ISSUE_TEMPLATE/feature.yml → .gitee/ISSUE_TEMPLATE/idea.yml
View File

@ -1,4 +1,4 @@
name: 想法(GPUKernelContest)
name: 想法
description: 对本赛题提出一个想法或建议
title: "[idea]: "
labels: ["idea"]

2
.gitee/ISSUE_TEMPLATE/bug.yml → .gitee/ISSUE_TEMPLATE/task.yml
View File

@ -1,4 +1,4 @@
name: 任务(GPUKernelContest)
name: 任务
description: 对本赛题提出一个任务，用于后续跟踪和执行。
title: "[task]: "
labels: ["task"]

6
.gitignore vendored Normal file
View File

@ -0,0 +1,6 @@
.DS_Store
*.bak
*.pyc
*.o
*/build/
cp_template/*.yaml

91
README.md
View File

@ -32,10 +32,70 @@
---
## 📥 如何参与提交？
## 🚀 快速上手
本竞赛旨在评估参赛者在GPU并行计算领域的算法优化能力。为了快速让参赛者进入比赛状态，我们提供了三个核心算法的高性能版本参考，供参赛选手不断优化性能：
- **ReduceSum**: 高精度归约求和
- **SortPair**: 键值对稳定排序
- **TopkPair**: 键值对TopK选择
[三个核心算法赛题模板](./cp_template/)
### 📥 选手赛题准备
1. 点击[创建赛题](https://gitee.com/ccf-ai-infra/GPUKernelContest/issues/new?template=cp.yml)
2. 记录赛题的ID，例如：[ICTN0N](https://gitee.com/ccf-ai-infra/GPUKernelContest/issues/ICTN0N)
3. Fork仓库并初始化比赛环境(三个核心算法题优化赛题以外自定义的赛题需有入口run.sh脚本，供CI自动测试验证)
1. 拷贝赛题样例`cp_template`到赛题`ICTN0N`目录
```
├── S1(说明：第一季比赛名)
│ ├── ICTN0N(说明：以赛题ID命名目录存放赛题的PR)
| | ├── utils
│ | ├── run.sh（说明：作为CI自动测试验证的入口）
| | └── ……
│ └── ……
└── S2（说明：第二季比赛名）
└── 赛题目录1
└── 赛题目录2
```
### 编译和测试
选手赛题目录内提供了编译、测试的脚本，供选手熟悉比赛环境，步骤如下：
```bash
# ！！！注意参赛选手需要根据自己的赛题ID进入自己初始化的目录！！！！
cd GPUKernelContest/S1/ICTN0N
```
#### 1. 全量编译和运行
```bash
# 编译并运行所有算法测试（默认行为）
./run.sh
# 编译并运行单个算法测试
./run.sh --run_reduce # ReduceSum算法
./run.sh --run_sort # SortPair算法
./run.sh --run_topk # TopkPair算法
```
#### 2. 手动运行测试
```bash
# 仅编译所有算法，不运行测试
./run.sh --build-only
# 单个运行不同算法的测试
./build/test_reducesum [correctness|performance|all]
./build/test_sortpair [correctness|performance|all]
./build/test_topkpair [correctness|performance|all]
```
对于如何提交可参考：[如何贡献](how-to-contribute.md)
### ✅ 参赛要求：
- 提交内容必须可以在沐曦自研 GPU **曦云 C500** 上运行。
- 提交内容必须可以在MACA软件上运行。
- 所提交的优化代码将由主办方审核，**需成功合并（Merge）到官方 Gitee 仓库，才算有效提交。**
### 📦 提交内容包含：
@ -47,7 +107,7 @@
## 📈 评分机制
每次提交会按以下规则评分：
每次合并的提交会按以下规则评分：
### 🎯 基础得分（Level）：
| 等级 | 内容描述 | 分值 |
@ -56,7 +116,7 @@
| Level 2 | 融合优化 2~9 个算子 | 10 分 |
| Level 3 | 含 MMA（多维矩阵乘）融合算子 | 50 分 |
| Level 4 | 用于大模型推理的复杂融合算子 | 50 分 |
| 合并至metax-maca开源项目仓库的每个PR | - | 50 分 |
| 合并至MACA开源项目仓库的每个PR<需要在赛题提供对应合并的记录，并确保和参赛使用的邮箱一致的提交邮箱> | - | 50 分 |
### ✨ 加分项：
| 内容 | 分值 |
@ -70,18 +130,19 @@
---
## 🏅 排名规则
## 🏆 排名机制
- 比赛周期：2 个月
- 排名按累计得分排序，取前 12 名！
若得分相同：
1. 提交次数多者优先
2. 提交时间早者优先
1. 评委评分从高到低排序
2. **评估规则：** 取前 12 名作为最终获奖选手
3. 若基础得分相同：
- 加分项多者优先
- 提交数量多者优先
- 提交时间早者优先
4. 当同一参赛选手在本赛题有多个赛题的提交时，多个赛题计算累计得分
---
## 📚 官方参考项目仓库
## 📚 参考MACA开源项目仓库
你可以参考以下项目仓库，了解算子开发与提交格式：
@ -92,12 +153,6 @@
---
## 🖥️ 可用资源
- 曦云 **C500 GPU 1/2卡**，主办方通过算力券的形式发放给报名的同学。
---
## 💡 术语解释
- **算子（Operator）**：指深度学习框架中的基本计算模块，例如矩阵乘法、卷积等。

BIN
S1/ICTN0N/build/test_reducesum Executable file
View File

Binary file not shown.

0
S1/ICTN0N/reduce_sum_algorithm.maca Normal file → Executable file
View File

26
S1/ICTN0N/reduce_sum_performance.yaml Executable file
View File

@ -0,0 +1,26 @@
# ReduceSum算法性能测试结果
# 生成时间: 2025-09-04 18:32:03
algorithm: "ReduceSum"
data_types:
input: "float"
output: "float"
formulas:
throughput: "elements / time(s) / 1e9 (G/s)"
performance_data:
- data_size: 1000000
time_ms: 0.051046
throughput_gps: 19.590022
data_type: "float"
- data_size: 134217728
time_ms: 0.405018
throughput_gps: 331.387385
data_type: "float"
- data_size: 536870912
time_ms: 1.351834
throughput_gps: 397.142754
data_type: "float"
- data_size: 1073741824
time_ms: 2.618675
throughput_gps: 410.032451
data_type: "float"

0
S1/ICTN0N/run.sh Normal file → Executable file
View File

0
S1/ICTN0N/sort_pair_algorithm.maca Normal file → Executable file
View File

46
S1/ICTN0N/sort_pair_performance.yaml Executable file
View File

@ -0,0 +1,46 @@
# SortPair算法性能测试结果
# 生成时间: 2025-09-03 22:37:18
algorithm: "SortPair"
data_types:
key_type: "float"
value_type: "uint32_t"
formulas:
throughput: "elements / time(s) / 1e9 (G/s)"
performance_data:
- data_size: 1000000
ascending:
time_ms: 0.351488
throughput_gps: 2.845047
descending:
time_ms: 0.343270
throughput_gps: 2.913155
key_type: "float"
value_type: "uint32_t"
- data_size: 134217728
ascending:
time_ms: 22.273815
throughput_gps: 6.025808
descending:
time_ms: 22.494003
throughput_gps: 5.966823
key_type: "float"
value_type: "uint32_t"
- data_size: 536870912
ascending:
time_ms: 88.856277
throughput_gps: 6.042014
descending:
time_ms: 89.913918
throughput_gps: 5.970943
key_type: "float"
value_type: "uint32_t"
- data_size: 1073741824
ascending:
time_ms: 181.409576
throughput_gps: 5.918882
descending:
time_ms: 183.428955
throughput_gps: 5.853720
key_type: "float"
value_type: "uint32_t"

0
S1/ICTN0N/topk_pair_algorithm.maca Normal file → Executable file
View File

210
S1/ICTN0N/topk_pair_performance.yaml Executable file
View File

@ -0,0 +1,210 @@
# TopkPair算法性能测试结果
# 生成时间: 2025-09-03 22:40:54
algorithm: "TopkPair"
data_types:
key_type: "float"
value_type: "uint32_t"
formulas:
throughput: "elements / time(s) / 1e9 (G/s)"
performance_data:
- data_size: 1000000
k_value: 32
ascending:
time_ms: 0.402509
throughput_gps: 2.484418
descending:
time_ms: 0.416307
throughput_gps: 2.402072
key_type: "float"
value_type: "uint32_t"
- data_size: 1000000
k_value: 50
ascending:
time_ms: 0.404787
throughput_gps: 2.470434
descending:
time_ms: 0.414669
throughput_gps: 2.411563
key_type: "float"
value_type: "uint32_t"
- data_size: 1000000
k_value: 100
ascending:
time_ms: 0.398336
throughput_gps: 2.510443
descending:
time_ms: 0.408320
throughput_gps: 2.449060
key_type: "float"
value_type: "uint32_t"
- data_size: 1000000
k_value: 256
ascending:
time_ms: 0.410752
throughput_gps: 2.434559
descending:
time_ms: 0.403379
throughput_gps: 2.479057
key_type: "float"
value_type: "uint32_t"
- data_size: 1000000
k_value: 1024
ascending:
time_ms: 0.391091
throughput_gps: 2.556949
descending:
time_ms: 0.391142
throughput_gps: 2.556613
key_type: "float"
value_type: "uint32_t"
- data_size: 134217728
k_value: 32
ascending:
time_ms: 22.394062
throughput_gps: 5.993452
descending:
time_ms: 22.263729
throughput_gps: 6.028538
key_type: "float"
value_type: "uint32_t"
- data_size: 134217728
k_value: 50
ascending:
time_ms: 22.379187
throughput_gps: 5.997435
descending:
time_ms: 22.228352
throughput_gps: 6.038132
key_type: "float"
value_type: "uint32_t"
- data_size: 134217728
k_value: 100
ascending:
time_ms: 22.436581
throughput_gps: 5.982094
descending:
time_ms: 22.229326
throughput_gps: 6.037868
key_type: "float"
value_type: "uint32_t"
- data_size: 134217728
k_value: 256
ascending:
time_ms: 22.463232
throughput_gps: 5.974996
descending:
time_ms: 22.319946
throughput_gps: 6.013354
key_type: "float"
value_type: "uint32_t"
- data_size: 134217728
k_value: 1024
ascending:
time_ms: 22.468454
throughput_gps: 5.973608
descending:
time_ms: 22.335976
throughput_gps: 6.009038
key_type: "float"
value_type: "uint32_t"
- data_size: 536870912
k_value: 32
ascending:
time_ms: 89.437294
throughput_gps: 6.002763
descending:
time_ms: 88.605972
throughput_gps: 6.059083
key_type: "float"
value_type: "uint32_t"
- data_size: 536870912
k_value: 50
ascending:
time_ms: 89.460587
throughput_gps: 6.001200
descending:
time_ms: 88.546509
throughput_gps: 6.063152
key_type: "float"
value_type: "uint32_t"
- data_size: 536870912
k_value: 100
ascending:
time_ms: 89.203011
throughput_gps: 6.018529
descending:
time_ms: 88.809097
throughput_gps: 6.045224
key_type: "float"
value_type: "uint32_t"
- data_size: 536870912
k_value: 256
ascending:
time_ms: 89.500465
throughput_gps: 5.998526
descending:
time_ms: 88.743912
throughput_gps: 6.049665
key_type: "float"
value_type: "uint32_t"
- data_size: 536870912
k_value: 1024
ascending:
time_ms: 89.405357
throughput_gps: 6.004908
descending:
time_ms: 88.446083
throughput_gps: 6.070036
key_type: "float"
value_type: "uint32_t"
- data_size: 1073741824
k_value: 32
ascending:
time_ms: 182.233307
throughput_gps: 5.892127
descending:
time_ms: 181.076950
throughput_gps: 5.929754
key_type: "float"
value_type: "uint32_t"
- data_size: 1073741824
k_value: 50
ascending:
time_ms: 182.273239
throughput_gps: 5.890836
descending:
time_ms: 180.944550
throughput_gps: 5.934093
key_type: "float"
value_type: "uint32_t"
- data_size: 1073741824
k_value: 100
ascending:
time_ms: 182.374191
throughput_gps: 5.887576
descending:
time_ms: 181.277100
throughput_gps: 5.923207
key_type: "float"
value_type: "uint32_t"
- data_size: 1073741824
k_value: 256
ascending:
time_ms: 182.349457
throughput_gps: 5.888374
descending:
time_ms: 181.248199
throughput_gps: 5.924152
key_type: "float"
value_type: "uint32_t"
- data_size: 1073741824
k_value: 1024
ascending:
time_ms: 182.378326
throughput_gps: 5.887442
descending:
time_ms: 181.025803
throughput_gps: 5.931430
key_type: "float"
value_type: "uint32_t"

77
cp_guide.md → cp_run_guide.md
View File

@ -1,59 +1,12 @@
# GPU 高性能并行计算算法优化竞赛
## 🎯 竞赛概述
本竞赛旨在评估参赛者在GPU并行计算领域的算法优化能力。参赛者可选择实现三个核心算法的高性能版本：
- **ReduceSum**: 高精度归约求和
- **SortPair**: 键值对稳定排序
- **TopkPair**: 键值对TopK选择
## 🚀 快速开始
### 编译和测试
#### 1. 全量编译和运行
```bash
# 编译并运行所有算法测试（默认行为）
./build_and_run.sh
# 仅编译所有算法，不运行测试
./build_and_run.sh --build-only
# 编译并运行单个算法测试
./build_and_run.sh --run_reduce # ReduceSum算法
./build_and_run.sh --run_sort # SortPair算法
./build_and_run.sh --run_topk # TopkPair算法
```
#### 2. 单独编译和运行
```bash
# 编译并运行ReduceSum算法（默认行为）
./build_and_run_reduce_sum.sh
# 仅编译ReduceSum算法，不运行测试
./build_and_run_reduce_sum.sh --build-only
# 编译并运行SortPair正确性测试
./build_and_run_sort_pair.sh --run correctness
# 编译并运行TopkPair性能测试
./build_and_run_topk_pair.sh --run performance
```
#### 3. 手动运行测试
```bash
./build/test_reducesum [correctness|performance|all]
./build/test_sortpair [correctness|performance|all]
./build/test_topkpair [correctness|performance|all]
```
## 📝 参赛指南
### 实现位置
参赛者需要在以下文件中替换Thrust实现：
- `src/reduce_sum_algorithm.maca` - 替换Thrust归约求和
- `src/sort_pair_algorithm.maca` - 替换Thrust稳定排序
- `src/topk_pair_algorithm.maca` - 替换Thrust TopK选择
- `reduce_sum_algorithm.maca` - 替换Thrust归约求和
- `sort_pair_algorithm.maca` - 替换Thrust稳定排序
- `topk_pair_algorithm.maca` - 替换Thrust TopK选择
### 算法要求
见competition_parallel_algorithms.md
@ -92,25 +45,21 @@
- 各数据规模的详细性能数据
- 升序/降序分别统计（适用时）
## 📁 项目结构
## 📁 提交内容结构
```
├── build_and_run.sh # 统一编译和运行脚本（默认编译+运行所有算法）
├── build_common.sh # 公共编译配置和函数
├── build_and_run_reduce_sum.sh # ReduceSum独立编译和运行脚本
├── build_and_run_sort_pair.sh # SortPair独立编译和运行脚本
├── build_and_run_topk_pair.sh # TopkPair独立编译和运行脚本
├── run.sh # 统一编译和运行脚本（默认编译+运行所有算法）
├── competition_parallel_algorithms.md # 详细题目说明
├── src/ # 算法实现和工具文件
│ ├── reduce_sum_algorithm.maca # 1. ReduceSum测试程序
│ ├── sort_pair_algorithm.maca # 2. SortPair测试程序
│ ├── topk_pair_algorithm.maca # 3. TopkPair测试程序
│── reduce_sum_algorithm.maca # 1. ReduceSum测试程序
│── sort_pair_algorithm.maca # 2. SortPair测试程序
│── topk_pair_algorithm.maca # 3. TopkPair测试程序
├── utils/ # 工具文件
│ ├── test_utils.h # 测试工具和CPU参考实现
│ ├── yaml_reporter.h # YAML性能报告生成器
│ └── performance_utils.h # 性能测试工具
├── final_results/reduce_sum_results.yaml #ReduceSum性能数据
├── final_results/sort_pair_results.yaml #替换Thrust稳定排序
└── final_results/topk_pair_results.yaml #TopkPair性能数据
├── reduce_sum_results.yaml #ReduceSum性能数据
├── sort_pair_results.yaml #替换Thrust稳定排序
└── topk_pair_results.yaml #TopkPair性能数据
```
## 🔧 开发工具
@ -134,7 +83,7 @@ mxcc -O3 -std=c++17 --extended-lambda -Isrc
|--------|--------|------|
| `COMPILER` | `mxcc` | CUDA编译器路径 |
| `COMPILER_FLAGS` | `-O3 -std=c++17 --extended-lambda` | 编译标志 |
| `INCLUDE_DIR` | `src` | 头文件目录 |
| `HEADER_DIR` | `utils` | 头文件目录 |
| `BUILD_DIR` | `build` | 构建输出目录 |
### 调试模式

10
competition_parallel_algorithms.md → cp_template/competition_parallel_algorithms.md Normal file → Executable file
View File

@ -1,11 +1,11 @@
# 题目：
# 样例赛题说明
## GPU高性能并行计算算法优化
要求参赛者通过一个或多个global kernel 函数（允许配套 device 辅助函数），实现高性能算法。
在正确性、稳定性前提下，比拼算法性能。
# 1. ReduceSum算法优化
```cpp
template <typename InputT = float, typename OutputT = float>
@ -23,14 +23,12 @@ public:
* 系统将测试评估1M, 128M, 512M, 1G element number下的算法性能
* 假定输入d\_in数据量为num\_items
注意事项
* 累计误差不大于cpu double golden基准的0.5%
* 注意针对NAN和INF等异常值的处理
加分项
* 使用tensor core计算reduce
@ -62,14 +60,11 @@ public:
* 需要校验结果正确性
* 结果必须稳定排序
加分项
* 支持其他不同数据类型的排序，如half、double、int32_t等
* 覆盖更全面的数据范围，提供良好稳定的性能表现
# 3. Topk Pair算法优化
```cpp
template <typename KeyType, typename ValueType>
@ -95,7 +90,6 @@ public:
* 结果必须稳定排序
加分项
* 支持其他不同数据类型的键值对，实现类型通用算法

0
cp_template/reduce_sum_algorithm.maca Normal file → Executable file
View File

4
run.sh → cp_template/run.sh Normal file → Executable file
View File

@ -36,11 +36,11 @@ COMPILER=${COMPILER:-mxcc}
COMPILER_FLAGS=${COMPILER_FLAGS:-"-O3 -std=c++17 --extended-lambda -DRUN_FULL_TEST"}
# ***** 这里是关键修改点1：头文件目录 *****
# 现在头文件在 includes/ 目录下
# 现在头文件在 utils/ 目录下
HEADER_DIR=${HEADER_DIR:-utils}
# ***** 这里是关键修改点2：源文件目录 *****
# 现在源文件在 algorithms/ 目录下
# 现在源文件在 ./ 目录下
SOURCE_CODE_DIR=${SOURCE_CODE_DIR:-}
BUILD_DIR=${BUILD_DIR:-build}

0
cp_template/sort_pair_algorithm.maca Normal file → Executable file
View File

0
cp_template/topk_pair_algorithm.maca Normal file → Executable file
View File

0
utils/performance_utils.h → cp_template/utils/performance_utils.h
View File

0
utils/test_utils.h → cp_template/utils/test_utils.h
View File

0
utils/yaml_reporter.h → cp_template/utils/yaml_reporter.h
View File