# 2016q3 Homework 1 (raytracing)
contributed by <`ElfayR`>

### Reviewed by `Quexint`

- 平行化的關鍵在於夠多的工作、單一工作夠久，才會有效果。原因在於要花多餘的時間去啟動。
- 因此，簡單的數學函式應全部寫出來(ex: 公式寫在同一行等)，複雜的函式才用平行化去解。

### 系統環境
* AMD Athlon(tm) 64 X2 Dual Core Processor 4400+
* Core: 2
* Memory: 3GB ram
* L1d cache： 64K
* L1i cache： 64K
* L2 cache： 512K

## 系統分析
* 參考作業使用`make PROFILE=1` 來產生`gmon.out` 參考說明網頁使用
`gprof -b raytracing gmon.out`來分析效能瓶頸主要是在`dot_product`和 `subtract_vector`兩個函數上面。
執行時間 `Execution time of raytracing() : 8.946531 sec`

## 改善效能
* 因之前並未使用過OpenMP 先嘗試使用此種方法來加速。

### OpenMP
* openMP是可以供平行運算的編成API。
* 先參考簡單的作法直接使用 `#pragma omp parallel for`來針對`dot_product`但跑出來結果竟然變差很多。

static inline
double dot_product(const double *v1, const double *v2)
{
    double dp = 0.0;
    #pragma omp parallel for
    for (int i = 0; i < 3; i++)
        dp += v1[i] * v2[i];
    return dp;
}

`Execution time of raytracing() : 125.185435 sec`
* 讓我有點嚇到，查詢一下`dot_product`效能有降低但是主程式花費時間大幅上升。應該是主機只有雙核心再做多執行序處理反而造成過多負擔。
>> 避免用圖片來表示程式的文字輸出 [name=jserv]
>> 不太懂? 是指 gprof 的指令部分不要用圖片顯示而是直接用程式碼來說明? [name=Ping Chun Wang (ElfayR)]

### loop unrolling
* 回頭來使用 loop unrolling的方法來處理。針對
`math-toolkit.h`內部使用到`for`迴圈的程式都使用loop unrolling拆開。效能有顯著提升。
`Execution time of raytracing() : 5.589559 sec`

### 整體效能比較
* 對照編譯器最佳化的optimized 的版本

### 未來工作
* 採用 pthread API來加速並贏過編譯器最佳化版本。
>> 等你呀！ [name=jserv]

 main (void){
 
 }

### 參考資料
* [OpenMP](https://www.dartmouth.edu/~rc/classes/intro_openmp/compile_run.html)

###### tags: `ElfayR`