为什么批处理模式比 parfor 快得多？

Question

我正在编写 matlab 代码来执行 3 维积分：

function [ fint ] = int3d_ser(R0, Rf, N)
Nr = N;
Nt = round(pi*N);
Np = round(2*pi*N);

rs = linspace(R0, Rf, Nr);
ts = linspace(0, pi, Nt);
ps = linspace(0, 2*pi, Np);

dr = rs(2)-rs(1);
dt = ts(2)-ts(1);
dp = ps(2)-ps(1);

C = 1/((4/3)*pi);
fint = 0.0;
for ir = 2:Nr
  r = rs(ir);
  r2dr = r*r*dr;
  for it = 1:Nt-1
    t = ts(it);
    sintdt = sin(t)*dt;
    for ip = 1:Np-1
      p = ps(ip);
      fint = fint + C*r2dr*sintdt*dp;
    end 
  end 
end

end

对于关联的int3d_par (parfor) 版本，我打开了一个 matlab 池并将for 替换为parfor。我在更多内核上运行它得到了相当不错的加速（我的测试是从 2 到 8 个内核）。

但是，当我在批处理模式下运行相同的集成时：

function [fint] = int3d_batch_cluster(R0, Rf, N, cluster, ncores)

%%% note: This will not give back the same value as the serial or parpool version.
%%%       If this was a legit integration, I would worry more about even dispersion
%%%       of integration nodes per core, but I just want to benchmark right now so ... meh

Nr = N;
Nt = round(pi*N);
Np = round(2*pi*N);

rs = linspace(R0, Rf, Nr);
ts = linspace(0, pi, Nt);
ps = linspace(0, 2*pi, Np);

dr = rs(2)-rs(1);
dt = ts(2)-ts(1);
dp = ps(2)-ps(1);

C = 1/((4/3)*pi);

rns = floor( Nr/ncores )*ones(ncores,1);
RNS = zeros(ncores,1);
for icore = 1:ncores
  if(sum(rns) ~= Nr) 
    rns(icore) = rns(icore)+1;
  end 
end
RNS(1) = rns(1);
for icore = 2:ncores
  RNS(icore) = RNS(icore-1)+rns(icore);
end

rfs = rs(RNS);
r0s = zeros(ncores,1);
r0s(2:end) = rfs(1:end-1);

j = createJob(cluster);

for icore = 1:ncores
  r0 = r0s(icore);
  rf = rfs(icore);
  rn = rns(icore);
  trs = linspace(r0, rf, rn);
  t{icore} = createTask(j, @int3d_ser, 1, {r0, rf, rn});
end

submit(j);
wait(j);
fints = fetchOutputs(j);

fint = 0.0;
for ifint = 1:length(fints)
  fint = fint + fints{ifint};
end

end

我注意到它要快得多。为什么以批处理模式执行此集成与在 parfor 中执行此集成不同？

作为参考，我使用 N 测试代码，从 10 和 20 之类的小数字（以在运行时的多项式近似中获得常数）到 1000 和 2000 之类的更大数字。由于我分配了theta 和 phi 方向上的集成节点数为给定 N 的常数倍数。

对于 2000 个节点，parfor 版本大约需要 630 秒，而在批处理模式下相同数量的节点大约需要 19 秒（其中大约 12 秒只是我们对于 10 个集成节点也得到的开销通信）。

Answer 1

在与Mathworks 支持人员交谈后，我似乎对parfor 的工作原理有一个根本性的误解。我的印象是parfor 的行为类似于openMP，而批处理模式在共享内存和分布式内存方面的行为类似于mpi。

事实证明parfor 实际上也使用分布式内存。例如，当我创建 4 个批处理函数时，创建新进程的开销发生了 4 次。我认为使用 parfor 会导致该开销仅发生 1 次，然后 parfor 将发生在相同的内存空间中。事实并非如此。

在我的示例代码中，事实证明，对于parfor 的每次迭代，我实际上都会产生创建新线程的开销。在比较'apples to apples'时，我确实应该创建与parfor 循环中的迭代相同数量的批处理调用。这就是为什么 parfor 函数需要这么长时间的原因 - 我为多处理带来了更多更多开销。