GPUCodeForces
- 评测数据集生成挑战赛项目
- 目标: 建立一个专门用来测试GPU性能的数据集。数据集里的内容(即“样本”)可以从流行的工具和模型库中获取:PyTorch, PaddlePaddle, TensorFlow, Jax, MMCV, Transformers 等。
- 评估规则: 进入评价数据集数量最多的前 12 名
-**评测资源:**MXC500单卡
- 项目价值: 形成标准的 GPU 评测数据集和评价方法
- 参赛资格:
只要你至少成功贡献了1个样本(即你的提交经过审核后并被选入“GPU CodeForces”数据集),就可以参赛。
📤 提交要求及评分规则
- 每位选手按一个数据集(JSON 格式)提交,一个完整的GPU CUDA数据集需要包含以下几个部分:
- 数据集样本描述: 清晰地阐述问题背景、输入、输出和预期功能。
- 输入数据生成函数: 用于生成各种规模和特性的输入数据的代码。
- 标准GT输出生函数 : 用于生成给定输入数据的正确输出,通常是Numpy-CPU实现,或原torch/paddle/tensorflow实现。
- 性能评估指标: 明确评估CUDA解决方案性能的标准(执行时间、吞吐量、内存带宽)
-数据集样本示例:
1.样本描述
● 题目名称: 矩阵乘法
● 背景: 矩阵乘法是科学计算、机器学习和图形学中的基本操作。优化其在GPU上的性能是CUDA编程中的一个核心挑战。
● 任务: 给定两个矩阵A和B,计算它们的乘积C = A * B。
2.输入数据生成函数
编写一个脚本,根据给定的 M,K,N 参数,生成两个随机填充的浮点数矩阵A和B
import numpy as np
def generate_matrix_multiplication_data(M, K, N):
"""
生成矩阵乘法问题的输入数据。
Args:
M, K, N: 矩阵A (M x K) 和矩阵B (K x N) 的维度。
Returns:
tuple: (matrix_a, matrix_b)
"""
matrix_a = np.random.uniform(-100.0, 100.0, (M, K)).astype(np.float32)
matrix_b = np.random.uniform(-100.0, 100.0, (K, N)).astype(np.float32)
return matrix_a, matrix_b
示例用法
M, K, N = 1024, 512, 256
A, B = generate_matrix_multiplication_data(M, K, N)
print(f"Matrix A shape: {A.shape}")
print(f"Matrix B shape: {B.shape}")
3.输入数据生成函数
编写一个函数,接收输入的矩阵A和B,使用CPU计算出它们的乘积C
import numpy as np
def cpu_matrix_multiplication(matrix_a, matrix_b):
"""
使用CPU计算矩阵乘法。
Args:
matrix_a: 矩阵A (M x K)
matrix_b: 矩阵B (K x N)
Returns:
numpy.ndarray: 矩阵C (M x N)
"""
return np.dot(matrix_a, matrix_b)
示例用法
A, B = generate_matrix_multiplication_data(1024, 512, 256)
C_ref = cpu_matrix_multiplication(A, B)
print(f"Reference C shape: {C_ref.shape}")
- 输入数据生成函数
● 主要指标: GPU执行时间 (CUDA Kernel Execution Time)。
● 次要指标: 内存带宽利用率、TFLOPS (如果适用)。
● 评判标准:
● 正确性: CUDA解决方案的输出与标准输出的误差应在可接受的浮点误差范围内(例如,np.allclose 容忍度)。
● 性能: 相同输入规模下,CUDA解决方案的执行时间越短越好。我们将提供基准测试环境和计时工具。
● 计时示例 (伪代码/说明):在CUDA代码中,使用 cudaEvent_t 进行精确计时:
cudaEvent_t start, stop;
cudaEventCreate(&start);
cudaEventCreate(&stop);
cudaEventRecord(start, 0);
// Call your CUDA kernel here
my_cuda_kernel<<<blocks, threads>>>(d_A, d_B, d_C, M, K, N);
cudaEventRecord(stop, 0);
cudaEventSynchronize(stop);
float milliseconds = 0;
cudaEventElapsedTime(&milliseconds, start, stop);
*若仍有疑问,请详见《评测数据集生成挑战赛样本和要求说明》。
- **接受数量:**提交经过审核后并被选入数据集的样本总数
- 评分方式:
- 标准 GT 输出生成函数(Numpy-CPU / 原始框架实现):+2 分
- CUDA 性能评估指标:
- 执行时间(GPU跑完整个任务的耗时):+5 分
- 吞吐量(GPU单位时间内处理数据的量):+4 分
- 内存带宽(GPU读写的速度):+3 分
- (加分项)提供提示语(prompt)让大模型(LLM)生成对应 CUDA 代码,并且这份生成的代码也能提供上述的性能指标,则该提交样本也能得到对应分数。
🏆 排名机制
- 按“被选入样本的总数”从高到低排序
- 若数量相同:
- 比较所有样本的总分数之和,总分数高者优先
- 若仍相同,比加分项分数高者优先