performance - 为什么批处理模式比 parfor 快这么多？

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时获得了相当不错的加速(我的测试是从 2 到 8 个内核)。

但是，当我以批处理模式运行相同的集成时:

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 中执行此操作不同？

作为引用，我使用 N 测试代码，从 10 和 20(以获取运行时多项式近似中的常量)到更大的数字(例如 1000 和 2000)。该算法将扩展因为我将 theta 和 phi 方向上的积分节点数指定为给定 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 秒只是开销通信，我们也得到 10集成节点)。

Answer 1

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

事实证明，parfor 实际上也使用了分布式内存。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，我实际上都承担了创建新线程的开销。在比较“同类”时，我实际上应该创建与 parfor 循环中的迭代相同数量的批处理调用。这就是 parfor 函数花费如此长的时间的原因 - 我为多重处理招致了更多的开销。