大家好~本文使用WebGPU的计算着色器,实现了奇偶排序。
奇偶排序是冒泡排序的并行版本,在1996年由J Kornerup提出。它解除了每轮冒泡间的串行依赖以及每轮冒泡内部的串行依赖,使得冒泡操作可以并行执行
目录
最终版本的代码在这里
假设待排序的数组为Arr1
在奇数步中,Arr1中奇数项与相邻的右边一项比较和交换;
在偶数步中,Arr1中奇数项与相邻的左边一项比较和交换;
直到一步中没有交换项,则停止
举例来说的话,如下图所示:

在每步中,红框内的两项进行比较和交换;
直到一步中没有交换项,则停止
与冒泡排序一样,总的比较次数不变,依然为O(n^2)次
但因为为并行执行,所以时间复杂度降低为O(log2(n^2))=O(n)
排序的需求如下所示:
因为数组可以两两分为64个组,每个组并行执行操作,所以计算着色器只使用一个workgroup,包含64个局部单位,每个局部单位对应一个组;
在每个局部单位中:
启动一个while循环,执行每步操作,然后同步,最后判断所有局部单位在该步骤中是否有交换操作,如果都没有的话则停止循环
“执行每步操作”时判断该步骤是奇数还是偶数步,从而取对应的两项来比较和交换
经过上面的设计后,现在我们来实现代码
计算着色器代码如下所示:
//64个局部单位
const workgroupSize = 64;
// 局部单位之间的共享变量,用于存放128个数字
var sharedData: array;
// 局部单位之间的共享变量,用于标志所有局部单位在该步骤中是否有交换操作(只要有任意一个局部单位在该步骤中有交换操作,则该标志为true)
var isSwap: bool;
// 局部单位之间的共享变量,用于记录步骤数,从而判断是奇数还是偶数步
var stepCount: u32;
struct BeforeSortData {
data : array
}
struct AfterSortData {
data : array
}
//待排序的数组
@binding(0) @group(0) var beforeSortData : BeforeSortData;
//排序后的数组
@binding(1) @group(0) var afterSortData : AfterSortData;
@compute @workgroup_size(workgroupSize, 1, 1)
fn main(
@builtin(global_invocation_id) GlobalInvocationID : vec3,
) {
//将待排序的数据读取到共享变量中
var index = GlobalInvocationID.x * 2;
sharedData[index] = beforeSortData.data[index];
sharedData[index+ 1 ] = beforeSortData.data[index + 1];
//初始化共享变量
isSwap = false;
stepCount = 0;
//同步
workgroupBarrier();
//开始循环
while(true){
var firstIndex:u32;
var secondIndex:u32;
//判断该步骤是奇数还是偶数步,从而得到对应的两项的序号
//偶数步
if(stepCount % 2 == 0){
firstIndex = index + 1;
secondIndex = index + 2;
}
//奇数步
else{
firstIndex = index;
secondIndex = index + 1;
}
//确保没超过边界
if(secondIndex sharedData[secondIndex]){
var temp = sharedData[firstIndex];
sharedData[firstIndex] = sharedData[secondIndex];
sharedData[secondIndex] = temp;
isSwap = true;
}
}
stepCount += 1;
workgroupBarrier();
//如果该步骤中没有交换操作的话则停止循环
if(!isSwap){
break;
}
}
//将排序后的数据传给返回给CPU端的Storage Buffer中,从而可在CPU端得到排序后的结果
afterSortData.data[index] = sharedData[index];
afterSortData.data[index + 1] = sharedData[index + 1];
}
本来我是想像设置workgroupSize一样,将128设为const的,如下所示:
const workgroupSize = 64;
const itemCount = 128;
var sharedData: array;
但是运行时会报错!照理说根据WGSL的文档,是不应该报错的!所以不清楚是我没搞清楚还是WGSL目前的bug?
(另外,如果使用override而不是const,也会报错!)
如果改为使用workgroupSize,则不会报错。代码如下所示:
const workgroupSize = 64;
var sharedData: array;
这是因为workgroupSize在@workgroup_size中使用了。代码如下所示:
@compute @workgroup_size(workgroupSize, 1, 1)
运行代码后,会报警告:
1 warning(s) generated while compiling the shader:
:74:5 warning: 'workgroupBarrier' must only be called from uniform control flow
workgroupBarrier();
^^^^^^^^^^^^^^^^
:77:5 note: control flow depends on non-uniform value
if(!isSwap){
^^
:77:9 note: reading from workgroup storage variable 'isSwap' may result in a non-uniform value
if(!isSwap){
^^^^^^
这是因为WGSL会进行Uniformity analysis检查,确保像“workgroupBarrier”这种barries是在uniform control flow中安全地调用
WGSL在检查时发现:因为isSwap被多个局部单位读写,所以为"non-uniform value",导致所在的control flow为non-uniform
更多关于Uniformity的资料在这里:
Add the uniformity analysis to the WGSL spec
现在需要去掉isSwap的if判断
因为isSwap的if判断是用来结束循环的,那么在去掉它之后我们就需要新的结束条件
因为总共有128个数字要排序,所以最多进行128步即可完成所有的排序
所以去掉isSwap,把循环终止条件修改下,并且重构一下代码
相关代码改为:
fn _swap(firstIndex:u32, secondIndex:u32){
var temp = sharedData[firstIndex];
sharedData[firstIndex] = sharedData[secondIndex];
sharedData[secondIndex] = temp;
}
fn _oddSort(index:u32) {
var firstIndex = index;
var secondIndex = index + 1;
if(sharedData[firstIndex] > sharedData[secondIndex]){
_swap(firstIndex, secondIndex);
}
}
fn _evenSort(index:u32) {
var firstIndex = index + 1;
var secondIndex = index + 2;
if(secondIndex sharedData[secondIndex]){
_swap(firstIndex, secondIndex);
}
}
@compute @workgroup_size(workgroupSize, 1, 1)
fn main(
@builtin(global_invocation_id) GlobalInvocationID : vec3,
) {
...
var firstIndex:u32;
var secondIndex:u32;
for (var i: u32 = 0; i 尽量减少if判断
- if中尽量使用常数判断,如if(const value < 2)
- 减少Bank Conflict
对共享变量内存尽量连续地读写
如对本文的共享数组sharedData,尽量连续的读写相邻的序号
- 减少同步操作
如果已知确定的循环次数,可以展开循环,这样可以减少同步操作和循环的指令开销
# 参考资料
[啥是Parallel Reduction](https://zhuanlan.zhihu.com/p/41151532)
[CUDA(六). 从并行排序方法理解并行化思维——冒泡、归并、双调排序的GPU实现](https://blog.csdn.net/abcjennifer/article/details/47110991)
[uniformity](https://www.w3.org/TR/WGSL/#uniformity)
[CUDA编程——Warp Divergence](https://blog.csdn.net/junparadox/article/details/50541825)