为什么使用openMP的VC++矩阵时间矢量比异步更快

Question

我用两种方式编码了向量与矩阵的乘积，一种是用openMP，另一种是std:：async。我原以为演出会完全一样。OpenMP在第一次调用时速度较慢，可能是因为它推迟了线程池的创建。在那之后，异步版本始终慢40%。(我有英特尔酷睿i5，它是4核。)

怎么回事？VC++不使用异步线程池吗？我在做傻事吗？(很可能。)我认为对输出向量的访问间隔足够大，可以避免错误共享。

#include "stdafx.h"
# include <iostream>
# include <vector>
# include <omp.h>
# include <ctime>
#include <numeric>
#include <thread>
#include <chrono>
#include <future>
// Matrix multiplication of vector using omp
template<class Mat, class Vec>
void mult_mat_vec_omp
(const Mat &mat, const Vec &inp, Vec &out) {
const int steps = static_cast<int>(std::size(mat));
using std::begin; using std::end;
auto N = std::thread::hardware_concurrency();
omp_set_num_threads(N); 
#pragma omp parallel for 
for (int i=0; i < steps; ++i) {
out[i] = std::inner_product(begin(mat[i]), end(mat[i]), begin(inp), 0.0);
}
}

// Matrix multiplication of vector using async
template<class Mat, class Vec>
void mult_mat_vec_async
(const Mat &mat, const Vec &inp, Vec &out) {
using std::begin; using std::end;
auto N = std::thread::hardware_concurrency();
typedef decltype(N) usigned;
const unsigned steps = static_cast<unsigned>(std::size(mat));
auto f = [&](unsigned id) {
for (unsigned i=id; i < steps; i+= N) {
out[i] = std::inner_product(begin(mat[i]), end(mat[i]), begin(inp), 0.0);
}
};
std::vector<std::future<void>> threads;
for (unsigned i = 1; i<N; ++i) {
threads.push_back(std::async(std::launch::async, f, i));
}
f(0);
for (auto &x: threads) {
x.get();
}
}

double test() {
using std::vector;
using clock=std::chrono::high_resolution_clock;
vector<double> a;
vector<double> b;
vector<double> c;
vector<vector<double>> mat;
vector<double> v;
int rows = 350;
int cols = 350;
for (int i = 0; i< cols; ++i) {
a.push_back(i/10.0);
b.push_back(-999);
c.push_back(8888);
}
for (int i=0; i<rows; ++i) {
v.clear();
for (int j=0; j<cols; ++j) {
v.push_back (((i+.5)*j)/100.0);
}
mat.push_back(v);
}
clock::time_point start = clock::now();
int N = 10000;
for (int i=0; i< N/10; ++i) { 
mult_mat_vec_omp(mat, a, b) ;
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
mult_mat_vec_omp(mat, a, b);
};
long long duration =  
std::chrono::duration_cast<std::chrono::milliseconds>(clock::now()-start).count();
start = clock::now();
size_t cutoff = 0; // 2*rows*cols;
for (int i=0; i< N/10; ++i) { 
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
mult_mat_vec_async(mat, a, c);
};
long long duration2 = std::chrono::duration_cast<std::chrono::milliseconds>(clock::now()-start).count();
//cout << mat[0][5] << " " << b[0] << " " << c[0] << endl;
bool good = (b==c);
std::cout << duration*(1.0/N) << ' ' << duration2*(1.0/N) << " " << good << std::endl;
return 0;
}
int main ()
{
for(int i=0; i<15; ++i) test();
return 0;
}

Answer 1

在英特尔酷睿i7-2600上，禁用HT，使用gcc 7.2/Linux，数字有所不同，异步版本慢了大约10%。

现在，关于缓存效率和错误共享的讨论已经步入正轨。您应该尝试由同一个线程访问连续的元素，至少访问到缓存行的大小(例如64字节)。对于读取，您只需通过使用缓存/数据局部性来节省内存访问——对于写入，效率更高，因为错误共享会在内核之间的缓存线上反弹。然而，重要的是要认识到，这与实际的数据访问无关——这发生在std::inner_product中，并且对于两个版本都是相同的。如果实际的数据访问是在这样的线程交错模式中，性能将比40%的折扣差得多

现在它很容易避免和测试，如果它有帮助：

const unsigned steps = static_cast<unsigned>(std::size(mat));
auto f = [&](unsigned id) {
const auto chunk_size = 1 + ((steps - 1) / N);
const auto max = std::min(chunk_size * (id + 1), steps);
for (unsigned i = chunk_size * id; i < max; i++)
{
out[i] = std::inner_product(begin(mat[i]), end(mat[i]), begin(inp), 0.0);
}
};

在我的配置中，消除了版本之间的所有性能差异。

如果您仍然看到系统的性能存在差异，我建议您使用合适的性能分析工具。我不熟悉你的生态系统，所以不能做任何推荐——但重要的是不要猜测性能。

注意，对于高性能数据访问/矩阵乘法，std::vector<std::vector<>>不是好的数据结构。使用矩阵的连续内存，您将无法接近高度优化的库的性能。