【发布时间】：2012-04-07 18:51:02
【问题描述】：
我正在英特尔 i5 核机器上开发一种并行算法，该机器有两个内核、四个线程。
n 定义了我在其上执行计算的矩阵的大小。从下表可以看出，从 1 个线程到 2 个线程的利用率几乎减少了 50%，但 2 个线程和 4 个线程之间几乎没有区别。数字表示经过的秒数
我的编译器是 windows 平台上的 mingw-gcc。我的并行化工具是 openmp。我在并行例程的开头通过omp_set_num_threads(numThreads);定义线程数。
我无法在“真正的”8 核机器上测试算法。在我的 i5 机器上，在 1 个线程上，任务管理器显示使用了总 CPU 功率的 25%。 2 线程时为 50%，4 线程时为 96-99%，符合预期。
那么导致这种情况的原因可能是什么？为什么计算时间没有减半？
并行代码段如下：
#pragma omp parallel for schedule(guided) shared(L,A) \
private(i)
for (i=k+1;i<row;i++){
double dummy = 0;
for (int nn=0;nn<k;nn++){
dummy += L[i][nn]*L[k][nn];
L[i][k] = (A[i][k] - dummy)/L[k][k];
}
}
【问题讨论】：
-
您的内存可能有限。或者您可能在迭代之间有两个很多依赖项。顺便说一句，这是 Cholesky 分解吗？
-
您是否比较过独立/私有数组/线程与共享？
-
@Oil Charlesworth 是的，这是 Cholesky 分解算法的一部分。但我不认为我的记忆力有限。当 n=5000 时，计算机使用了我 4 GB 容量中的 362 MB。
-
粗略地说：如果大部分时间值已经在缓存中，那么使用两个线程而不是一个线程不会带来太多好处；同样，如果瓶颈是内存访问，那么更多线程也无济于事。如果有空闲的内存带宽，线程可能会有所帮助，并且使用线程会导致更多的值被加载到缓存/单位时间内。
-
@Emre Turkoz - 我认为 Oli 是正确的，没有发生足够的计算，所以你可能受到内存带宽的限制。但是，我正在考虑将数组“拆分”为 4 个部分，即访问广泛分开的部分，并在每个部分上使用一个线程。如果有足够的内存带宽并且它受 CPU 限制（我不期望），那么使部件“独立”可能会给硬件提供更好的交错内存加载的机会。老实说，我认为计算与内存访问相比太少了，所以我预计不会有太大变化，但可能值得进行一些测试。
标签： c++ gcc parallel-processing openmp