英特尔MIC模版计算

Question

我想为Intel Xeon Phi协处理器（61核）编写有效的并行应用程序，它可以进行五点模板计算。我写了两个版本的代码。

第一：我使用OpenMP"#pragma omp parralel for"

void ParallelStencil(const double* macierzIn, double* macierzOut, const int m, const int n)
{
    int m_real = m + 2;
    int n_real = n + 2;
    TimeCPU t;
    t.start();
    #pragma omp parallel for schedule(static,1) shared(macierzIn, macierzOut)
    for(int i=1; i<m_real-1; ++i)
    {
        for(int j=1; j<n-1; ++j)
        {
            macierzOut[i * n_real + j] = Max(macierzIn[i * n_real + j], macierzIn[(i - 1) * n_real + j], macierzIn[(i + 1) * n_real + j],
                                             macierzIn[i * n_real + (j - 1)], macierzIn[i * n_real + (j + 1)]);
       }
    }
    t.stop();
    cout << "nTime: " << t.time();
}

第二：我把矩阵分成61个核心。矩阵的每个部分由每个核心运行的4个HW线程计算。在这个版本中，我试图通过对同一个二级缓存周围的4个线程进行计算来减少缓存未命中。

void ParallelStencil(const double* macierzIn, double* macierzOut, int m, int n)
{
    int m_real = m + 2;
    int n_real = m + 2;
    int coreCount = threadsCount / 4;
    int tID, coreNum, start, stop, step;
    TimeCPU t;
    t.start();
    #pragma omp parallel shared(macierzIn, macierzOut, m, n, m_real, n_real, coreCount) private(tID, coreNum, start, stop, step)
    {
        tID = omp_get_thread_num();
        coreNum = tID / 4;
        start = tID % 4 + ((m / coreCount) * coreNum) + 1;
        stop = (m / coreCount) * (coreNum + 1) + 1;
        if(coreNum == coreCount - 1 && stop != m_real - 1)
        {
                stop = m_real -1;
        }
        step = 4;
        for(int i=start; i<stop; i+=step)
        {
            for(int j=1; j<n+1; ++j)
            {
                macierzOut[i * n_real + j] = Max(macierzIn[i * n_real + j], macierzIn[(i - 1) * n_real + j], macierzIn[(i + 1) * n_real + j],
                                                 macierzIn[i * n_real + (j - 1)], macierzIn[i * n_real + (j + 1)]);
            }
        }
    }
    t.stop();
    cout << "nTime: " << t.time();
}

在这个wersion循环中，矩阵每个部分的迭代都是这样执行的：
i=0->线程0
i=1->线程1
i=2->线程2
i=3->线程3
i=4->线程0
…

运行此代码之后。第二个版本比较慢。但为什么呢？

Answer 1

这可能更像是一个注释，而不是一个答案。在深入研究高效缓存利用率的问题之前，您应该修复这两个代码，使它们等效。目前还没有。

差异#1

第一个代码：

int m_real = m + 2;
int n_real = n + 2;

第二个代码：

int m_real = m + 2;
int n_real = m + 2; // <---- m instead of n

差异#2

第一个代码：

for(int j=1; j<n-1; ++j)

第二个代码：

for(int j=1; j<n+1; ++j) // <---- n+1 instead of n-1

如果你的矩阵恰好不是平方和m > n，那么第二个代码肯定会更慢，因为它必须计算更多。