HackMD
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™ 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 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? 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！ jserv
main (void){
}
