SIMT: Satu Instruksi, Banyak Thread
Model eksekusi yang membuat GPU cepat.
SIMT: Satu Instruksi, Banyak Thread adalah pelajaran CUDA Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar CUDA Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus CUDA Academy mencakup 4 pelajaran total.
Cara GPU Tetap Sibuk
Ribuan inti memerlukan cara yang cerdas untuk diberi tahu apa yang harus dilakukan. Jawaban GPU adalah SIMT: Single Instruction, Multiple Threads. ⚡
Satu Instruksi, Banyak Thread
Dalam SIMT, satu instruksi disiarkan ke seluruh kelompok thread secara bersamaan. Setiap thread menjalankan langkah yang sama, tetapi pada bagian datanya sendiri.
Resep Sama, Bahan Berbeda
Bayangkan sebuah dapur tempat setiap juru masak mengikuti langkah resep yang persis sama, tetapi masing-masing mengerjakan piring yang berbeda. Langkah bersama itu adalah instruksi Anda. 🍳
Mengenal Warp
GPU mengelompokkan thread menjadi kumpulan berisi 32 thread yang disebut warp. Warp adalah unit sebenarnya yang dieksekusi bersama secara lockstep, satu instruksi setiap kali.
Mengapa Kumpulan Berisi 32 Thread
Menerbitkan satu instruksi untuk 32 thread sekaligus jauh lebih murah daripada 32 perintah terpisah. Berbagi instruksi inilah sumber efisiensi GPU.
Setiap Thread Memiliki Datanya Sendiri
Thread dalam sebuah warp berbagi instruksi, tetapi memiliki register pribadi. Jadi thread 0 dan thread 5 menjalankan add yang sama, hanya pada angka yang berbeda.
SIMT Tidak Sepenuhnya Sama dengan SIMD
SIMD klasik memproses vektor dengan lebar tetap. SIMT mempertahankan gagasan tentang instruksi bersama, tetapi memungkinkan setiap thread bertindak lebih mandiri saat diperlukan.
Masalah Percabangan
Bagaimana jika setengah warp mengambil cabang if dan setengah lainnya tidak? Thread dalam warp ingin berjalan bersama, sehingga sebuah percabangan dapat memecah kelompok tersebut.
if (x > 0) {
y = x * 2;
} else {
y = -x;
}Divergensi Warp
Saat thread dalam warp memiliki pilihan cabang yang berbeda, warp menjalankan setiap jalur secara bergiliran dan menonaktifkan jalur lainnya. Pemutaran ulang secara berurutan ini disebut divergensi.
Divergensi Mengurangi Kecepatan
Karena jalur yang berbeda dijalankan satu demi satu, paralelisme berkurang. Mempertahankan warp pada jalur yang sama merupakan gagasan penting untuk kernel yang cepat.
Mengapa SIMT Dapat Berkembang Sangat Baik
Dengan satu instruksi yang memberi pekerjaan kepada 32 thread dan banyak warp yang aktif, GPU menjaga unit perhitungannya tetap penuh. Begitulah SIMT menghasilkan laju pemrosesan yang tinggi.
Pemeriksaan Singkat
Mari pastikan kosakata SIMT Anda sudah benar-benar dipahami.
Ringkasan: SIMT
SIMT menyiarkan satu instruksi kepada warp yang terdiri atas 32 thread, masing-masing menggunakan datanya sendiri. Hindari percabangan yang berbeda agar semua thread tetap berjalan bersama. 👍
Belajar C++ dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “SIMT: Satu Instruksi, Banyak Thread” gratis?
Ya — teks lengkap “SIMT: Satu Instruksi, Banyak Thread” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus CUDA Academy, upgrade ke CoddyKit PRO. Kursus CUDA Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “SIMT: Satu Instruksi, Banyak Thread”?
Model eksekusi yang membuat GPU cepat. Kamu berlatih CUDA Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai CUDA Academy?
Tidak diperlukan pengalaman sebelumnya. CUDA Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “SIMT: Satu Instruksi, Banyak Thread” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran CUDA Academy ini?
Ya. Setiap pelajaran CUDA Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- CPU versus GPU: Latensi versus Laju Pemrosesan
- SIMT: Satu Instruksi, Banyak Thread
- Apa Sebenarnya CUDA
- Masalah yang Cocok untuk GPU