numba - guvectorize 几乎比 jit 快

Question

我试图并行化在许多独立数据集上运行的蒙特卡洛模拟。我发现 numba 的并行 guvectorize 实现仅比 numba jit 实现快 30-40%。

我在 Stackoverflow 上发现了这些（1、2）类似的主题，但它们并没有真正回答我的问题。在第一种情况下，由于退回到对象模式而减慢了实现速度，而在第二种情况下，原始发帖人没有正确使用 guvectorize - 这些问题都不适用于我的代码。

为了确保我的代码没有问题，我创建了这段非常简单的代码来比较 jit 和 guvectorize：

import timeit
import numpy as np
from numba import jit, guvectorize

#both functions take an (m x n) array as input, compute the row sum, and return the row sums in a (m x 1) array

@guvectorize(["void(float64[:], float64[:])"], "(n) -> ()", target="parallel", nopython=True)
def row_sum_gu(input, output) :
    output[0] = np.sum(input)

@jit(nopython=True)
def row_sum_jit(input_array, output_array) :
    m, n = input_array.shape
    for i in range(m) :
        output_array[i] = np.sum(input_array[i,:])

rows = int(64) #broadcasting (= supposed parallellization) dimension for guvectorize
columns = int(1e6)
input_array = np.ones((rows, columns))
output_array = np.zeros((rows))
output_array2 = np.zeros((rows))

#the first run includes the compile time
row_sum_jit(input_array, output_array)
row_sum_gu(input_array, output_array2)

#run each function 100 times and record the time
print("jit time:", timeit.timeit("row_sum_jit(input_array, output_array)", "from __main__ import row_sum_jit, input_array, output_array", number=100))
print("guvectorize time:", timeit.timeit("row_sum_gu(input_array, output_array2)", "from __main__ import row_sum_gu, input_array, output_array2", number=100))

这给了我以下输出（时间确实有所不同）：

jit time: 12.04114792868495
guvectorize time: 5.415564753115177

同样，并行代码几乎快两倍（仅当行数是 CPU 内核数的整数倍时，否则性能优势会减弱）即使它利用所有 cpu 内核和仅 jit 代码使用一个（使用 htop 验证）。

我在一台配备 4 个 AMD Opteron 6380 CPU（总共 64 个内核）、256 GB RAM 和 Red Hat 4.4.7-1 操作系统的机器上运行它。 我将 Anaconda 4.2.0 与 Python 3.5.2 和 Numba 0.26.0 一起使用。

如何进一步提高并行性能或我做错了什么？

感谢您的回答。

Answer 1

那是因为np.sum 太简单了。使用 sum 处理数组不仅受 CPU 限制，还受“内存访问”时间的限制。因此，向其添加更多内核并不会产生太大影响（当然，这取决于相对于您的 CPU 的内存访问速度）。

仅用于可视化np.sum 是这样的（忽略data 以外的任何参数）：

def sum(data):
    sum_ = 0.
    data = data.ravel()
    for i in data.size:
        item = data[i]   # memory access (I/O bound)
        sum_ += item     # addition      (CPU bound)
    return sum

因此，如果大部分时间都花在访问内存上，那么如果将其并行化，您将不会看到任何真正的加速。但是，如果 CPU 密集型任务是瓶颈，那么使用更多内核将显着加快您的代码速度。

例如，如果您包含一些比加法更慢的操作，您会看到更大的改进：

from math import sqrt
from numba import njit, jit, guvectorize
import timeit
import numpy as np

@njit
def square_sum(arr):
    a = 0.
    for i in range(arr.size):
        a = sqrt(a**2 + arr[i]**2)  # sqrt and square are cpu-intensive!
    return a

@guvectorize(["void(float64[:], float64[:])"], "(n) -> ()", target="parallel", nopython=True)
def row_sum_gu(input, output) :
    output[0] = square_sum(input)

@jit(nopython=True)
def row_sum_jit(input_array, output_array) :
    m, n = input_array.shape
    for i in range(m) :
        output_array[i] = square_sum(input_array[i,:])
    return output_array

我在这里使用了IPythons timeit，但它应该是等效的：

rows = int(64)
columns = int(1e6)

input_array = np.random.random((rows, columns))
output_array = np.zeros((rows))

# Warmup an check that they are equal 
np.testing.assert_equal(row_sum_jit(input_array, output_array), row_sum_gu(input_array, output_array2))
%timeit row_sum_jit(input_array, output_array.copy())  # 10 loops, best of 3: 130 ms per loop
%timeit row_sum_gu(input_array, output_array.copy())   # 10 loops, best of 3: 35.7 ms per loop

我只使用了 4 个核心，所以这非常接近可能的加速极限！

请记住，并行计算只能显着加快计算速度如果作业受 CPU 限制。