Cython prange 对于 4 个线程来说比范围要慢

我目前正在尝试遵循一个简单的示例，使用 cython 的 prange 并行化循环。 我已经安装了允许 openmp 的 OpenBlas 0.2.14，并针对 openblas 从源代码编译了 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

代码作者报告了 4 个核心的以下加速情况：

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

and for 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，因此我提出了问题。作者如何获得 4 倍的速度提升，而相同的代码在我的 2 个系统上的 4 个线程上运行速度较慢。

用于生成的设置脚本*.c & .so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发生这种情况，那就太好了。

1)的一个重要特点是prange（像任何其他parallel for循环）的特点是它激活了乱序执行，这意味着循环可以按任意顺序执行。当迭代之间不存在数据依赖性时，乱序执行确实会带来回报。

我不知道 Cython 的内部结构，但我认为如果boundschecking 没有关闭，循环不能任意执行，因为下一次迭代将取决于当前迭代中数组是否越界，因此问题几乎变得串行，因为线程必须等待结果。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对它们进行计时X = -1 + 2*np.random.rand(10000000).

进行边界检查：

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

无边界检查：

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

这些结果与num_threads=4（我有 4 个逻辑核心）并且加速约为 2 倍。在进一步讨论之前我们还可以再剃掉一些ms通过声明我们的数组是连续的，即声明X and Y with double[::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)更重要的是工作调度这就是你的基准测试所面临的问题。默认情况下，块大小是在编译时确定的，即schedule=static然而，两台机器（您的机器和博客文章中的机器）的环境变量（例如 OMP_SCHEDULE）和工作负载很可能不同，并且它们在运行时动态地、引导性地安排作业等等。让我们尝试一下替换你的prange to

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

现在让我们对它们进行计时（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

You might能够根据您自己计算机上的工作负载来复制此内容。作为旁注，由于您只是想在微基准测试中测量并行代码与串行代码的性能，而不是实际代码，所以我建议您摆脱if-else条件即仅保留Y[i] = c_exp(X[i])在 for 循环内。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，通过这一更改，我的速度比串行代码提高了近 2.7 倍。