为什么多线程的 for-loop 性能不如单线程？

Question

我认为使用多线程处理简单而繁重的工作（例如矩阵计算）比使用单线程更好，因此我测试了以下代码：

int main()
{
    constexpr int N = 100000;

    std::random_device rd;
    std::mt19937 mt(rd());
    std::uniform_real_distribution<double> ini(0.0, 10.0);

    // single-thread
    {
        std::vector<int> vec(N);
        for(int i = 0; i < N; ++i)
        {
            vec[i] = ini(mt);
        }

        auto start = std::chrono::system_clock::now();

        for(int i = 0; i < N; ++i)
        {
            vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
        }

        auto end = std::chrono::system_clock::now();
        auto dur = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();
        std::cout << "single : " << dur << " ms."<< std::endl;
    }

    // multi-threading (Th is the number of threads)
    for(int Th : {1, 2, 4, 8, 16})
    {
        std::vector<int> vec(N);
        for(int i = 0; i < N; ++i)
        {
            vec[i] = ini(mt);
        }

        auto start = std::chrono::system_clock::now();

        std::vector<std::future<void>> fut(Th);
        for(int t = 0; t < Th; ++t)
        {
            fut[t] = std::async(std::launch::async, [t, &vec, &N, &Th]{
                for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
                {
                    vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
                }
            });
        }
        for(int t = 0; t < Th; ++t)
        {
            fut[t].get();
        }

        auto end = std::chrono::system_clock::now();
        auto dur = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();
        std::cout << "Th = " << Th << " : " << dur << " ms." << std::endl;
    }

    return 0;
}

执行环境：

OS : Windows 10 64-bit
Build-system : Visual Studio Community 2015
CPU : Core i5 4210U

在Debug模式下编译这个程序，结果如我所料：

single : 146 ms.
Th = 1 : 140 ms.
Th = 2 : 71 ms.
Th = 4 : 64 ms.
Th = 8 : 61 ms.
Th = 16 : 68 ms.

这表示不使用 std::async 的代码与使用单线程的代码具有相同的性能，而当使用 4 或 8 个线程时，我可以获得出色的性能。

但是，在 Release 模式下，我得到了不同的结果（N : 100000 -> 100000000）：

single : 54 ms.
Th = 1 : 443 ms.
Th = 2 : 285 ms.
Th = 4 : 205 ms.
Th = 8 : 206 ms.
Th = 16 : 221 ms.

我想知道这个结果。只是对于后半部分代码，多线程的性能比单线程更好。但最快的是前半部分代码，它不使用 std::async。我知道多线程的优化和开销对性能有很大影响。然而，

• 这个过程只是向量的计算，那么在多线程代码中而不是在单线程代码中可以优化什么？
• 此程序不包含任何关于互斥或原子等的内容，并且可能不会发生数据冲突。我认为多线程的开销相对较小。
• 不使用 std::async 的代码中的 CPU 利用率低于多线程代码中的 CPU 利用率。使用大部分 CPU 效率高吗？

---

更新：我尝试研究矢量化。我启用了/Qvec-report:1 选项并得到了事实：

//vectorized (when N is large)
for(int i = 0; i < N; ++i)
{
    vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
}

//not vectorized
auto lambda = [&vec, &N]{
    for(int i = 0; i < N; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
};
lambda();

//not vectorized
std::vector<std::future<void>> fut(Th);
for(int t = 0; t < Th; ++t)
{
    fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
        for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
        {
            vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
        }
    });
}

和运行时间：

single (with vectorization) : 47 ms.
single (without vectorization)  : 70 ms.

可以确定，for-loop 在多线程版本中没有向量化。但是，由于任何其他原因，该版本也需要很多时间。

---

更新 2：我在 lambda 中重写了 for 循环（A 型到 B 型）：

//Type A (the previous one)
fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
    for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//Type B (the new one)
fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
    int nb = t * N / Th;
    int ne = (t + 1) * N / Th;
    for(int i = nb; i < ne; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

B 型运行良好。结果：

single (vectorized) : 44 ms.
single (invectorized) : 77 ms.
--
Th = 1 (Type A) : 435 ms.
Th = 2 (Type A) : 278 ms.
Th = 4 (Type A) : 219 ms.
Th = 8 (Type A) : 212 ms.
--
Th = 1 (Type B) : 112 ms.
Th = 2 (Type B) : 74 ms.
Th = 4 (Type B) : 60 ms.
Th = 8 (Type B) : 61 ms.

Type B 的结果是可以理解的（多线程的代码会比单线程的invectorized 代码运行得更快，并且没有vectorized 代码那么快）。另一方面，A 类似乎等同于 B 类（仅使用临时变量），但它们显示了不同的性能。这两种类型可以认为生成了不同的汇编代码。

---

更新 3：我可能会发现一个减慢了多线程 for 循环的因素。在for 的条件下是除法。这是单线程测试：

//ver 1 (ordinary)
fut[t] = std::async(std::launch::async, [&vec, &N]{
    for(int i = 0; i < N; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 2 (introducing a futile variable Q)
int Q = 1;
fut[t] = std::async(std::launch::async, [&vec, &N, Q]{
    for(int i = 0; i < N / Q; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 3 (using a temporary variable)
int Q = 1;
fut[t] = std::async(std::launch::async, [&vec, &N, Q]{
    int end = N / Q;
    for(int i = 0; i < end; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 4 (using a raw value)
fut[t] = std::async(std::launch::async, [&vec]{
    for(int i = 0; i < 100000000; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

以及运行时间：

ver 1 : 132 ms.
ver 2 : 391 ms.
ver 3 : 47 ms.
ver 4 : 43 ms.

ver 3 & 4 得到了很好的优化，而 ver 1 没有那么多，因为我认为编译器无法将 N 捕获为不变，尽管 N 是 constexpr。由于同样的原因，我认为 ver 2 非常慢。编译器不明白 N 和 Q 不会变化。所以条件i < N / Q 需要繁重的汇编代码，这会减慢 for 循环。

Answer 1

当您运行单线程时，您的单线程在缓存中有vec，因为您刚刚从 mt.由于它是所有缓存级别的唯一用户，因此它可以很好地通过缓存进行流式传输。
我认为这里不会进行太多矢量化，否则您的时间会更短。不过，我可能是错的，因为内存带宽是这里的关键。你看过汇编吗？

1. 任何其他线程都必须获取 ram。在您的情况下，这本身并不是一个大问题，因为它是单个 cpu，因此 L3 是共享的，并且数据集无论如何都大于 L3。
   但是，争夺 L3 的多个线程很糟糕。我认为这是这里的主要因素。

2. 您运行的线程过多。您应该运行尽可能多的线程，以减少上下文切换和缓存乱扔垃圾的费用。
   当 2 个硬件线程在管道（这里不是这种情况）、BP（这里不是这种情况）和缓存利用率（这里是强案例 -> 参见 #1）中有足够的“洞”时，HT 是有益的。
   我真的很惊讶 >2 个线程并没有降级太多 --- 现在的 CPU 太棒了！

3. 线程启动和期限时间难以预测。如果您想要更高的可预测性，请不断运行线程并使用一些廉价的信号来启动它们并通知它们已完成。

编辑：特定问题的答案

这个过程只是向量的计算，那么在多线程代码中而不是在单线程代码中可以优化什么？

这里没有太多需要优化的代码......您可以分解长循环以启用循环展开：

C = 16; // try other C values?
for(int i=nb; i<ne; i+=C) {
  for(int j=0; j<C; j++)
    vec[i+j] = ...; // that's === vec[i] <<= 2;
}
// need to do the remainder....

如果编译器没有，您可以手动进行矢量化。先看汇编。

该程序不包含任何关于互斥或原子等的内容，并且可能不会发生数据冲突。我认为多线程的开销会相对较小。

没错。除了线程可以在它们自己的时间开始。尤其是在 Windows 上，尤其是在有很多 Windows 的情况下。

不使用 std::async 的代码中的 CPU 利用率低于多线程代码中的 CPU 利用率。使用大部分CPU效率高吗？

您总是希望在更短的时间内使用更多的 cpu %。我不确定你看到了什么，因为这里没有 IO。