如何提高 OpenMP 代码的性能？

Question

我目前正在尝试提高代码的并行性能，但我还是 OpenMP 的新手。我必须遍历一个大容器，在每次迭代中读取多个条目并将结果写入单个条目。下面是我正在尝试做的一个非常简单的代码示例。

data 是一个指向数组的指针，其中存储了很多数据点。在并行区域之前，我创建了一个数组newData，因此可以将data 用作只读，将newData 用作只写，之后我将旧的data 扔掉并使用newData 进行进一步计算。 据我了解，data 和 newData 在线程之间共享，并且在并行区域内声明的所有内容都是私有的。 多线程读取data会导致性能问题吗？

我正在使用#critical 为newData 的元素分配一个新值以避免竞争条件。这是必要的吗，因为我只访问一次 newData 的每个元素，并且从不通过多个线程访问？

我也不确定日程安排。我是否必须指定是否需要 static 或 dynamic 时间表？我可以使用nowait，因为所有线程都是相互独立的吗？

array *newData = new array;

omp_set_num_threads (threads);

#pragma omp parallel
{
    #pragma omp for
    for (int i = 0;  i < range; i++)
    {
        double middle = (*data)[i];
        double previous = (*data)[i-1];
        double next = (*data)[i+1];

        double new_value = (previous + middle + next) / 3.0;
        #pragma omp critical(assignment)
        (*newData)[i] = new_value;
    }
}

delete data;
data = newData;

我知道在第一次和最后一次迭代中 previous 和 next 无法从 data 中读取，在实际代码中这已得到处理，但对于这个最小的示例，您会想到读取多个次来自data。

Answer 1

首先，摆脱所有不必要的依赖。 #pragma omp critical(assignment) 不是必需的，因为 (*newData) 的每个索引每个循环只写入一次，因此没有竞争条件。

您的代码现在可能如下所示：

#pragma omp parallel for
for (int i = 0; i < range; i++)
   (*newData)[i] = ((*data)[i-1] + (*data)[i] + (*data)[i+1]) / 3.0;

现在我们正在寻找瓶颈。我想出的潜在候选人名单是这样的：

• 慢除法
• 缓存抖动
• ILP（指令级并行）
• 内存带宽限制
• 隐藏的依赖关系

让我们进一步分析它们。

慢速划分： 计算 double/double 需要一些 CPU 永远。要知道您的 CPU 的运行时间和吞吐量，您必须查看它的规格。也许用*0.3333.. 替换/3.0 可能会有所帮助，但也许你的编译器已经这样做了。使用扩展指令集（如 SSE/AVX），您可能会同时处理多个除法/乘法。

缓存抖动： 因为您的 CPU 必须一次加载/存储一个缓存行，所以可能会发生冲突。想象一下，如果线程 1 尝试写入 (*newdata)[1] 并且线程 2 尝试写入 (*newdata)[2] 并且它们位于同一缓存行上。现在他们中的一个必须等​​待另一个。您可以使用#pragma omp parallel for schedule(static, 64) 解决此问题。

ILP： 如果操作是独立的，CPU 可以将多个操作调度到管道中。为此，您必须展开循环。这可能如下所示：

assert(range % 4 == 0);
#pragma omp parallel for
for (int i = 0; i < range/4; i++) {
   (*newData)[i*4+0] = ((*data)[i*4-1] + (*data)[i*4+0] + (*data)[i*4+1]) / 3.0;
   (*newData)[i*4+1] = ((*data)[i*4+0] + (*data)[i*4+1] + (*data)[i*4+2]) / 3.0;
   (*newData)[i*4+2] = ((*data)[i*4+1] + (*data)[i*4+2] + (*data)[i*4+3]) / 3.0;
   (*newData)[i*4+3] = ((*data)[i*4+2] + (*data)[i*4+3] + (*data)[i*4+4]) / 3.0;
}

内存带宽限制： 对于您非常简单的循环，请考虑一下。您需要加载多少内存以及您的 CPU 将忙于处理它多长时间。您正在加载大约 1 个缓存行并计算一些取消引用、一些指针添加、两个添加和一个除法。您达到的限制取决于您的 CPU 规格。 现在考虑缓存局部性。你能修改你的代码以更好地利用缓存吗？如果一个线程在一次循环迭代中获得 i=3，而在下一次循环中获得 i=7，则您必须重新加载 3 个（*data）。但是如果你从 i=3 到 i=4，你可能不需要加载任何东西，因为 (*data)[i+1] 在之前加载的缓存行中。您节省了一些 RAM 带宽。要利用这一点，展开循环。同样使用 float 而不是 double 会增加这个机会。

隐藏的依赖： 现在这部分我个人觉得非常棘手。有时你的编译器不确定它是否可以重用一些数据，因为它不知道它没有改变。使用const 有助于编译器。但有时您需要restrict 来为编译器提供正确的提示。但我理解得不够好，无法解释。

所以我会尝试以下方法：

const double ONETHIRD = 1.0 / 3.0;
assert(range % 4 == 0);
#pragma omp parallel for schedule(static, 1024)
for (int i = 0; i < range/4; i++) {
   (*newData)[i*4+0] = ((*data)[i*4-1] + (*data)[i*4+0] + (*data)[i*4+1]) * ONETHIRD;
   (*newData)[i*4+1] = ((*data)[i*4+0] + (*data)[i*4+1] + (*data)[i*4+2]) * ONETHIRD;
   (*newData)[i*4+2] = ((*data)[i*4+1] + (*data)[i*4+2] + (*data)[i*4+3]) * ONETHIRD;
   (*newData)[i*4+3] = ((*data)[i*4+2] + (*data)[i*4+3] + (*data)[i*4+4]) * ONETHIRD;
}

然后进行基准测试。进行更多基准测试，并进行更多基准测试。只有基准测试会告诉您哪些技巧有帮助。

PS：还要考虑一件事。如果你看到你的程序很难达到内存带宽。您可以考虑更改算法。也许将两步合二为一。就像从 b[i] := (a[i-1] + a[i] + a[i+1]) / 3.0 到 d[i] := (n[i-1] + n[i] + n[i+1]) / 3.0 = (a[i-2] + 2.0 * a[i-1] + 3.0 * a[i] + 2.0 * a[i+1] + a[i+1]) / 3.0。我想这其中的原因你自己会发现的。

享受优化的乐趣；-)

Answer 2

1. 多线程读取数组通常没有害处。
2. 如果多个线程处理完全相同的数据块，您只需要一个临界区，这里每个线程访问数组的不同部分，因此您不需要它。关键部分对性能非常不利，因此仅在绝对必要时才使用它们。通常它们可以被原子操作替换： openMP, atomic vs critical? 就像临界区一样，如果每个线程访问不同的数据，它们就没有意义。
3. 对于调度程序，最好对它们进行测试并测量性能，因为对性能的预测通常是错误的。还可以尝试不同的块大小。
4. 其他一些可能有帮助的事情：
   • 测量性能通常会受到电脑上其他任务的干扰，因此请进行多次测量并取其最小值（除非每次输入不同，然后取平均值并进行更多测量）。
   • 您真的需要双精度吗？浮点数要快得多。
5. 编辑：nowait 用于 多个 独立的 for 循环：https://msdn.microsoft.com/en-us/library/ek5st0e3.aspx

Answer 3

我假设您正在尝试使用一维数组进行某种卷积或中值模糊。简短的回答是：坚持默认的计划策略，完全摆脱关键。

据我所知，您是并行处理的新手，处理 OpenMP 指令有点混乱，例如 nowait/private/reduction/critical/atomic/single 等。我认为您需要的是一个井编写教科书以阐明各种概念。如果您有扎实的知识，学习 OpenMP 一个小时就足以应付大多数日常编程。