Почему мой код rcpp не слишком быстрый, используя распараллеливание openmp - PullRequest
Новая
       21

Почему мой код rcpp не слишком быстрый, используя распараллеливание openmp

0 голосов
/ 08 апреля 2019

Я пытаюсь использовать openmp, чтобы распараллелить мой цикл, чтобы быть быстрее.Проблема в том, что распараллеленная версия не быстрее, чем последовательная версия 

#include <Rcpp.h>
#include <iostream>
// [[Rcpp::plugins(openmp)]]
#include <omp.h>
#include "test.h"

using namespace std;

// [[Rcpp::export]]
std::vector<double> parallel_random_sum(int n, int ncores) {

  std::vector<double> res(n);

#pragma omp parallel num_threads(ncores)
{
#pragma omp for
  for (int j = 0; j < n; ++j) {
    double lres(0);
   // cout << "j = "<<j <<" test = " << lres<<endl;
    lres += j;
    res[j] = lres / n;
  } 
}

return res;
}

// [[Rcpp::export]]
std::vector<double> not_parallel_random_sum(int n) {

  std::vector<double> res(n);

  for (int j = 0; j < n; ++j) {
    double lres(0);
  //  cout << "j = "<<j <<" test = " << lres<<endl;
    lres += j;
    res[j] = lres / n;
  }

return res;
}

/*** R
microbenchmark::microbenchmark(
  parallel_random_sum(1e7, 8),
  not_parallel_random_sum(1e7),
  times = 20
) 
  */

result ==>

  1. parallel_random_sum (1e + 07,8) 62,02360 миллисекунд

  2. not_parallel_random_sum (1e + 07) 65,56082 миллисекунд

1 Ответ

0 голосов
/ 12 апреля 2019

Код, который вы пытаетесь распараллелить, просто не достаточно дорогой, что делает издержки распараллеливания сравнимыми с усилением. Если вы добавите некоторую искусственную нагрузку в цикл, поспав короткое время, вы увидите увеличение производительности: 

#include <chrono>
#include <thread>
#include <Rcpp.h>
// [[Rcpp::plugins(openmp)]]
#include <omp.h>
// [[Rcpp::depends(RcppParallel)]]
#include <RcppParallel.h>

// [[Rcpp::export]]
Rcpp::NumericVector parallel_sleep(int n, int ncores) {

  Rcpp::NumericVector res_(n);
  RcppParallel::RVector<double> res(res_);

#pragma omp parallel num_threads(ncores)
{
#pragma omp for
  for (int j = 0; j < n; ++j) {
    double lres(0);
    std::this_thread::sleep_for(std::chrono::microseconds(10));
    lres += j;
    res[j] = lres / n;
  }
}

return res_;
}

// [[Rcpp::export]]
Rcpp::NumericVector not_parallel_sleep(int n) {

  Rcpp::NumericVector res(n);

  for (int j = 0; j < n; ++j) {
    double lres(0);
    std::this_thread::sleep_for(std::chrono::microseconds(10));
    lres += j;
    res[j] = lres / n;
  }

  return res;
}

/*** R
N <- 1e4
bench::mark(
  parallel_sleep(N, 8),
  not_parallel_sleep(N)
) 
*/

Результат: 

# A tibble: 2 x 14
  expression         min     mean   median   max `itr/sec` mem_alloc  n_gc n_itr total_time result   memory    time  gc     
  <chr>         <bch:tm> <bch:tm> <bch:tm> <bch>     <dbl> <bch:byt> <dbl> <int>   <bch:tm> <list>   <list>    <lis> <list> 
1 parallel_sle…   73.2ms   81.3ms   82.3ms  87ms     12.3     80.7KB     0     7      569ms <dbl [1… <Rprofme… <bch… <tibbl…
2 not_parallel…  667.8ms  667.8ms  667.8ms 668ms      1.50    80.7KB     0     1      668ms <dbl [1… <Rprofme… <bch… <tibbl…

Обратите внимание, что я также использую структуры данных из RcppParallel, чтобы избежать необходимости глубокой копии при возврате данных (см. Комментарий @coatless).

...