python - Cython 对于 4 个线程比范围更慢

Question

我目前正在尝试按照一个简单的示例使用 cython 的 prange 并行化循环。我已经安装了允许 openmp 的 OpenBlas 0.2.14，并从针对 openblas 的源代码编译了 numpy 1.10.1 和 scipy 0.16。为了测试库的性能，我遵循以下示例:http://nealhughes.net/parallelcomp2/ .要计时的功能是从站点复制的:

import numpy as np
from math import exp 
from libc.math cimport exp as c_exp
from cython.parallel import prange,parallel

def array_f(X):

    Y = np.zeros(X.shape)
    index = X > 0.5
    Y[index] = np.exp(X[index])

    return Y

def c_array_f(double[:] X):

    cdef int N = X.shape[0]
    cdef double[:] Y = np.zeros(N)
    cdef int i

    for i in range(N):
        if X[i] > 0.5:
            Y[i] = c_exp(X[i])
        else:
            Y[i] = 0

    return Y


def c_array_f_multi(double[:] X):

    cdef int N = X.shape[0]
    cdef double[:] Y = np.zeros(N)
    cdef int i
    with nogil, parallel():
        for i in prange(N):
            if X[i] > 0.5:
                Y[i] = c_exp(X[i])
            else:
                Y[i] = 0

    return Y

代码的作者报告了以下 4 核的加速:

from thread_demo import *
import numpy as np
X = -1 + 2*np.random.rand(10000000) 
%timeit array_f(X)
1 loops, best of 3: 222 ms per loop
%timeit c_array_f(X)
10 loops, best of 3: 87.5 ms per loop 
%timeit c_array_f_multi(X)
10 loops, best of 3: 22.4 ms per loop

当我在我的机器(带有 osx 10.10 的 macbook pro)上运行这些示例时，我得到以下导出时间 OMP_NUM_THREADS=1

In [1]: from bla import *
In [2]: import numpy as np
In [3]: X = -1 + 2*np.random.rand(10000000)
In [4]: %timeit c_array_f(X)
10 loops, best of 3: 89.7 ms per loop
In [5]: %timeit c_array_f_multi(X)
1 loops, best of 3: 343 ms per loop

对于 OMP_NUM_THREADS=4

In [1]: from bla import *
In [2]: import numpy as np
In [3]: X = -1 + 2*np.random.rand(10000000)
In [4]: %timeit c_array_f(X)
10 loops, best of 3: 89.5 ms per loop
In [5]: %timeit c_array_f_multi(X)
10 loops, best of 3: 119 ms per loop

我在 openSuse 机器上看到了同样的行为，因此我的问题。作者如何获得 4 倍的速度，而相同的代码在我的 2 个系统上的 4 个线程运行速度较慢。

用于生成 *.c & .so 的设置脚本也与博客中使用的相同。

from distutils.core import setup
from Cython.Build import cythonize
from distutils.extension import Extension
from Cython.Distutils import build_ext
import numpy as np

ext_modules=[
    Extension("bla",
              ["bla.pyx"],
              libraries=["m"],
              extra_compile_args = ["-O3", "-ffast-math","-march=native", "-fopenmp" ],
              extra_link_args=['-fopenmp'],
              include_dirs = [np.get_include()]
              ) 
]

setup( 
  name = "bla",
  cmdclass = {"build_ext": build_ext},
  ext_modules = ext_modules
)

如果有人能向我解释为什么会这样，那就太好了。

Answer 1

1) prange 的一个重要特征(与任何其他 parallel for 循环一样)是它激活乱序执行，这意味着循环可以以任意顺序执行。当您在迭代之间没有数据依赖性时，乱序执行确实会带来返回。

我不知道 Cython 的内部结构，但我估计如果 boundschecking 没有关闭，循环不能任意执行，因为下一次迭代将取决于数组是否是在当前迭代中越界，因此问题几乎变成连续的，因为线程将不得不等待结果。这是您的代码的问题之一。事实上，Cython 确实给了我以下警告:

warning: bla.pyx:42:16: Use boundscheck(False) for faster access

所以添加以下内容

from cython import boundscheck, wraparound

@boundscheck(False)
@wraparound(False)
def c_array_f(double[:] X):
   # Rest of your code

@boundscheck(False)
@wraparound(False)
def c_array_f_multi(double[:] X):
   # Rest of your code

现在让我们用您的数据 X = -1 + 2*np.random.rand(10000000) 计时。

边界检查:

In [2]:%timeit array_f(X)
10 loops, best of 3: 189 ms per loop
In [4]:%timeit c_array_f(X)
10 loops, best of 3: 93.6 ms per loop
In [5]:%timeit c_array_f_multi(X)
10 loops, best of 3: 103 ms per loop

没有边界检查:

In [9]:%timeit c_array_f(X)
10 loops, best of 3: 84.2 ms per loop
In [10]:%timeit c_array_f_multi(X)
10 loops, best of 3: 42.3 ms per loop

这些结果来自 num_threads=4(我有 4 个逻辑核心)并且加速大约是 2 倍。在更进一步之前，我们仍然可以通过声明我们的数组是连续的，即用 double 声明 X 和 Y 来节省更多的 ms [::1].

连续数组:

In [14]:%timeit c_array_f(X)
10 loops, best of 3: 81.8 ms per loop
In [15]:%timeit c_array_f_multi(X)
10 loops, best of 3: 39.3 ms per loop

2) 更重要的是工作scheduling这就是您的基准所遭受的痛苦。默认情况下， block 大小是在编译时确定的，即 schedule=static 但是很可能是环境变量(例如 OMP_SCHEDULE)和两台机器(您的和博客中的机器)的工作负载post) 是不同的，它们在运行时、动态地、引导式等方式安排作业。让我们尝试将您的 prange 替换为

for i in prange(N, schedule='static'):
    # static scheduling... 
for i in prange(N, schedule='dynamic'):
    # dynamic scheduling... 

现在让我们为它们计时(仅多线程代码):

调度效果:

In [23]:%timeit c_array_f_multi(X) # static
10 loops, best of 3: 39.5 ms per loop
In [28]:%timeit c_array_f_multi(X) # dynamic
1 loops, best of 3: 319 ms per loop

您可能能够根据您自己机器上的工作负载复制它。作为旁注，由于您只是试图在微基准测试中衡量并行代码与串行代码的性能，而不是实际代码，我建议您摆脱 if-else 条件即仅将 Y[i] = c_exp(X[i]) 保留在 for 循环中。这是因为 if-else 语句还会对并行代码中的分支预测和乱序执行产生不利影响。在我的机器上，通过此更改，我的串行代码速度提高了近 2.7 倍。