обратная матрица cuBLAS намного медленнее, чем MATLAB

В моем текущем проекте я пытаюсь вычислить инверсию большой (n> 2000) матрицы с помощью cuBLAS. Выполняется обратный расчет, но по какой-то причине время расчета значительно медленнее, чем при выполнении в MATLAB.

Я приложил пример расчета, выполненного на случайных матрицах, используя мою реализацию на любом языке, а также результаты производительности.

Буду очень признателен за любую помощь или предложения о том, что может быть причиной этого замедления.

Заранее спасибо.

сравнение

Кублас против Матлаба

N = 500: cuBLAS ~ 0,130 с, MATLAB ~ 0,066 с -> ~ 1,97 раза медленнее

N = 1000: cuBLAS ~ 0,898 с, MATLAB ~ 0,311 с -> ~ 2,89 раза медленнее

N = 2000: cuBLAS ~ 6,667 с, MATLAB ~ 0,659 с -> ~ 10,12 медленнее

N = 4000: cuBLAS ~ 51,860 с, MATLAB ~ 4,296 с -> ~ 12,07 медленнее

Код C ++

#include <string>
#include <cuda_runtime.h>
#include <cublas_v2.h>
#include <conio.h>

#define CUDA_CALL(res, str) { if (res != cudaSuccess) { printf("CUDA Error : %s : %s %d : ERR %s\n", str, __FILE__, __LINE__, cudaGetErrorName(res)); } }
#define CUBLAS_CALL(res, str) { if (res != CUBLAS_STATUS_SUCCESS) { printf("CUBLAS Error : %s : %s %d : ERR %d\n", str, __FILE__, __LINE__, int(res)); } }

static cudaEvent_t cu_TimerStart;
static cudaEvent_t cu_TimerStop;

void d_CUDATimerStart(void)
{
CUDA_CALL(cudaEventCreate(&cu_TimerStart), "Failed to create start event!");
CUDA_CALL(cudaEventCreate(&cu_TimerStop), "Failed to create stop event!");

CUDA_CALL(cudaEventRecord(cu_TimerStart), "Failed to record start event!");
}

float d_CUDATimerStop(void)
{
CUDA_CALL(cudaEventRecord(cu_TimerStop), "Failed to record stop event!");

CUDA_CALL(cudaEventSynchronize(cu_TimerStop), "Failed to synch stop event!");

float ms;

CUDA_CALL(cudaEventElapsedTime(&ms, cu_TimerStart, cu_TimerStop), "Failed to elapse events!");

CUDA_CALL(cudaEventDestroy(cu_TimerStart), "Failed to destroy start event!");
CUDA_CALL(cudaEventDestroy(cu_TimerStop), "Failed to destroy stop event!");

return ms;
}

float* d_GetInv(float* L, int n)
{
cublasHandle_t cu_cublasHandle;
CUBLAS_CALL(cublasCreate(&cu_cublasHandle), "Failed to initialize cuBLAS!");

float** adL;
float** adC;
float* dL;
float* dC;
int* dLUPivots;
int* dLUInfo;

size_t szA = n * n * sizeof(float);

CUDA_CALL(cudaMalloc(&adL, sizeof(float*)), "Failed to allocate adL!");
CUDA_CALL(cudaMalloc(&adC, sizeof(float*)), "Failed to allocate adC!");
CUDA_CALL(cudaMalloc(&dL, szA), "Failed to allocate dL!");
CUDA_CALL(cudaMalloc(&dC, szA), "Failed to allocate dC!");
CUDA_CALL(cudaMalloc(&dLUPivots, n * sizeof(int)), "Failed to allocate dLUPivots!");
CUDA_CALL(cudaMalloc(&dLUInfo, sizeof(int)), "Failed to allocate dLUInfo!");

CUDA_CALL(cudaMemcpy(dL, L, szA, cudaMemcpyHostToDevice), "Failed to copy to dL!");
CUDA_CALL(cudaMemcpy(adL, &dL, sizeof(float*), cudaMemcpyHostToDevice), "Failed to copy to adL!");
CUDA_CALL(cudaMemcpy(adC, &dC, sizeof(float*), cudaMemcpyHostToDevice), "Failed to copy to adC!");

d_CUDATimerStart();

CUBLAS_CALL(cublasSgetrfBatched(cu_cublasHandle, n, adL, n, dLUPivots, dLUInfo, 1), "Failed to perform LU decomp operation!");
CUDA_CALL(cudaDeviceSynchronize(), "Failed to synchronize after kernel call!");

CUBLAS_CALL(cublasSgetriBatched(cu_cublasHandle, n, (const float **)adL, n, dLUPivots, adC, n, dLUInfo, 1), "Failed to perform Inverse operation!");
CUDA_CALL(cudaDeviceSynchronize(), "Failed to synchronize after kernel call!");

float timed = d_CUDATimerStop();

printf("cublas inverse in: %.5f ms.\n", timed);

float* res = (float*)malloc(szA);

CUDA_CALL(cudaMemcpy(res, dC, szA, cudaMemcpyDeviceToHost), "Failed to copy to res!");

CUDA_CALL(cudaFree(adL), "Failed to free adL!");
CUDA_CALL(cudaFree(adC), "Failed to free adC!");
CUDA_CALL(cudaFree(dL), "Failed to free dL!");
CUDA_CALL(cudaFree(dC), "Failed to free dC!");
CUDA_CALL(cudaFree(dLUPivots), "Failed to free dLUPivots!");
CUDA_CALL(cudaFree(dLUInfo), "Failed to free dLUInfo!");

CUBLAS_CALL(cublasDestroy(cu_cublasHandle), "Failed to destroy cuBLAS!");

return res;
}

int main()
{
int n = 1000;
float* L = (float*)malloc(n * n * sizeof(float));
for(int i = 0; i < n * n; i++)
L[i] = ((float)rand()/(float)(RAND_MAX));

float* inv = d_GetInv(L, n);

printf("done.");
_getch();

return 0;
}

MATLAB Code

A = rand(1000);
tic
X = inv(A);
toc

Системная информация:

GPU: GTX 780 3 ГБ

Процессор: i7-4790S @ 3,20 ГГц