c++ - क्यों समूहीकृत समूहों की तुलना में छंटनी वाले समूहों के साथ समन सम्‍मिलित किया जाता है?



performance (1)

मेरे पास टैब सीमांकित पूर्णांक के 2 कॉलम हैं, जिनमें से पहला एक यादृच्छिक पूर्णांक है, दूसरा समूह की पहचान करने वाला पूर्णांक है, जो इस कार्यक्रम द्वारा उत्पन्न किया जा सकता है। ( generate_groups.cc )

#include <cstdlib>
#include <iostream>
#include <ctime>

int main(int argc, char* argv[]) {
  int num_values = atoi(argv[1]);
  int num_groups = atoi(argv[2]);

  int group_size = num_values / num_groups;
  int group = -1;

  std::srand(42);

  for (int i = 0; i < num_values; ++i) {
    if (i % group_size == 0) {
      ++group;
    }
    std::cout << std::rand() << '\t' << group << '\n';
  }

  return 0;
}

मैं तब प्रति समूह की गणना के लिए एक दूसरे कार्यक्रम ( sum_groups.cc ) का उपयोग करता हूं।

#include <iostream>
#include <chrono>
#include <vector>

// This is the function whose performance I am interested in
void grouped_sum(int* p_x, int *p_g, int n, int* p_out) {
  for (size_t i = 0; i < n; ++i) {
    p_out[p_g[i]] += p_x[i];
  }
}

int main() {
  std::vector<int> values;
  std::vector<int> groups;
  std::vector<int> sums;

  int n_groups = 0;

  // Read in the values and calculate the max number of groups
  while(std::cin) {
    int value, group;
    std::cin >> value >> group;
    values.push_back(value);
    groups.push_back(group);
    if (group > n_groups) {
      n_groups = group;
    }
  }
  sums.resize(n_groups);

  // Time grouped sums
  std::chrono::system_clock::time_point start = std::chrono::system_clock::now();
  for (int i = 0; i < 10; ++i) {
    grouped_sum(values.data(), groups.data(), values.size(), sums.data());
  }
  std::chrono::system_clock::time_point end = std::chrono::system_clock::now();

  std::cout << (end - start).count() << std::endl;

  return 0;
}

यदि मैं इन प्रोग्रामों को दिए गए आकार के डेटासेट पर चलाता हूं, और फिर उसी डेटासेट की पंक्तियों के क्रम में फेरबदल करता है, तो फेरबदल किए गए डेटा sums ~ 2x या ऑर्डर किए गए डेटा की तुलना में अधिक तेजी से गणना करता है।

g++ -O3 generate_groups.cc -o generate_groups
g++ -O3 sum_groups.cc -o sum_groups
generate_groups 1000000 100 > groups
shuf groups > groups2
sum_groups < groups
sum_groups < groups2
sum_groups < groups2
sum_groups < groups
20784
8854
8220
21006

मैंने मूल डेटा की अपेक्षा की होगी जो समूह द्वारा सॉर्ट किया गया है ताकि बेहतर डेटा लोकलिटी हो और तेज़ हो, लेकिन मैं विपरीत व्यवहार का निरीक्षण करता हूं। मैं सोच रहा था कि क्या कोई इसका कारण परिकल्पना कर सकता है?


सेटअप करें / इसे धीमा करें

सबसे पहले, इस कार्यक्रम की परवाह किए बिना एक ही समय में चलता है:

sumspeed$ time ./sum_groups < groups_shuffled 
11558358

real    0m0.705s
user    0m0.692s
sys 0m0.013s

sumspeed$ time ./sum_groups < groups_sorted
24986825

real    0m0.722s
user    0m0.711s
sys 0m0.012s

ज्यादातर समय इनपुट लूप में बिताया जाता है। लेकिन जब से हम grouped_sum() में रुचि रखते हैं, तो आइए इसे अनदेखा करें।

बेंचमार्क लूप को 10 से 1000 पुनरावृत्तियों में grouped_sum() , grouped_sum() रन समय पर हावी होना शुरू होता है:

sumspeed$ time ./sum_groups < groups_shuffled 
1131838420

real    0m1.828s
user    0m1.811s
sys 0m0.016s

sumspeed$ time ./sum_groups < groups_sorted
2494032110

real    0m3.189s
user    0m3.169s
sys 0m0.016s

पूर्ण भिन्न

अब हम अपने प्रोग्राम में सबसे हॉट स्पॉट खोजने के लिए perf का उपयोग कर सकते हैं।

sumspeed$ perf record ./sum_groups < groups_shuffled
1166805982
[ perf record: Woken up 1 times to write data ]
[kernel.kallsyms] with build id 3a2171019937a2070663f3b6419330223bd64e96 not found, continuing without symbols
Warning:
Processed 4636 samples and lost 6.95% samples!

[ perf record: Captured and wrote 0.176 MB perf.data (4314 samples) ]

sumspeed$ perf record ./sum_groups < groups_sorted
2571547832
[ perf record: Woken up 2 times to write data ]
[kernel.kallsyms] with build id 3a2171019937a2070663f3b6419330223bd64e96 not found, continuing without symbols
[ perf record: Captured and wrote 0.420 MB perf.data (10775 samples) ]

और उनके बीच का अंतर:

sumspeed$ perf diff
[...]
# Event 'cycles:uppp'
#
# Baseline  Delta Abs  Shared Object        Symbol                                                                  
# ........  .........  ...................  ........................................................................
#
    57.99%    +26.33%  sum_groups           [.] main
    12.10%     -7.41%  libc-2.23.so         [.] _IO_getc
     9.82%     -6.40%  libstdc++.so.6.0.21  [.] std::num_get<char, std::istreambuf_iterator<char, std::char_traits<c
     6.45%     -4.00%  libc-2.23.so         [.] _IO_ungetc
     2.40%     -1.32%  libc-2.23.so         [.] _IO_sputbackc
     1.65%     -1.21%  libstdc++.so.6.0.21  [.] 0x00000000000dc4a4
     1.57%     -1.20%  libc-2.23.so         [.] _IO_fflush
     1.71%     -1.07%  libstdc++.so.6.0.21  [.] std::istream::sentry::sentry
     1.22%     -0.77%  libstdc++.so.6.0.21  [.] std::istream::operator>>
     0.79%     -0.47%  libstdc++.so.6.0.21  [.] __gnu_cxx::stdio_sync_filebuf<char, std::char_traits<char> >::uflow
[...]

main() में अधिक समय, जिसमें संभवतः grouped_sum() । महान, बहुत बहुत धन्यवाद, perf।

पूर्ण एनोटेट

क्या main() अंदर समय व्यतीत होने में अंतर है?

फेरबदल:

sumspeed$ perf annotate -i perf.data.old
[...]
            // This is the function whose performance I am interested in
            void grouped_sum(int* p_x, int *p_g, int n, int* p_out) {
              for (size_t i = 0; i < n; ++i) {
       180:   xor    %eax,%eax
              test   %rdi,%rdi
             je     1a4
              nop
                p_out[p_g[i]] += p_x[i];
  6,88 190:   movslq (%r9,%rax,4),%rdx
 58,54        mov    (%r8,%rax,4),%esi
            #include <chrono>
            #include <vector>
       
            // This is the function whose performance I am interested in
            void grouped_sum(int* p_x, int *p_g, int n, int* p_out) {
              for (size_t i = 0; i < n; ++i) {
  3,86        add    $0x1,%rax
                p_out[p_g[i]] += p_x[i];
 29,61        add    %esi,(%rcx,%rdx,4)
[...]

छाँटे गए:

sumspeed$ perf annotate -i perf.data
[...]
            // This is the function whose performance I am interested in
            void grouped_sum(int* p_x, int *p_g, int n, int* p_out) {
              for (size_t i = 0; i < n; ++i) {
       180:   xor    %eax,%eax
              test   %rdi,%rdi
             je     1a4
              nop
                p_out[p_g[i]] += p_x[i];
  1,00 190:   movslq (%r9,%rax,4),%rdx
 55,12        mov    (%r8,%rax,4),%esi
            #include <chrono>
            #include <vector>
       
            // This is the function whose performance I am interested in
            void grouped_sum(int* p_x, int *p_g, int n, int* p_out) {
              for (size_t i = 0; i < n; ++i) {
  0,07        add    $0x1,%rax
                p_out[p_g[i]] += p_x[i];
 43,28        add    %esi,(%rcx,%rdx,4)
[...]

नहीं, यह वही दो निर्देश हावी है। इसलिए वे दोनों मामलों में लंबा समय लेते हैं, लेकिन डेटा को छांटने पर और भी खराब होते हैं।

प्रतिमा

ठीक है। लेकिन हमें उन्हें एक ही समय में चलाना चाहिए, इसलिए प्रत्येक निर्देश को किसी कारण से धीमा होना चाहिए। आइए देखें कि perf stat क्या कहता है।

sumspeed$ perf stat ./sum_groups < groups_shuffled 
1138880176

 Performance counter stats for './sum_groups':

       1826,232278      task-clock (msec)         #    0,999 CPUs utilized          
                72      context-switches          #    0,039 K/sec                  
                 1      cpu-migrations            #    0,001 K/sec                  
             4 076      page-faults               #    0,002 M/sec                  
     5 403 949 695      cycles                    #    2,959 GHz                    
       930 473 671      stalled-cycles-frontend   #   17,22% frontend cycles idle   
     9 827 685 690      instructions              #    1,82  insn per cycle         
                                                  #    0,09  stalled cycles per insn
     2 086 725 079      branches                  # 1142,639 M/sec                  
         2 069 655      branch-misses             #    0,10% of all branches        

       1,828334373 seconds time elapsed

sumspeed$ perf stat ./sum_groups < groups_sorted
2496546045

 Performance counter stats for './sum_groups':

       3186,100661      task-clock (msec)         #    1,000 CPUs utilized          
                 5      context-switches          #    0,002 K/sec                  
                 0      cpu-migrations            #    0,000 K/sec                  
             4 079      page-faults               #    0,001 M/sec                  
     9 424 565 623      cycles                    #    2,958 GHz                    
     4 955 937 177      stalled-cycles-frontend   #   52,59% frontend cycles idle   
     9 829 009 511      instructions              #    1,04  insn per cycle         
                                                  #    0,50  stalled cycles per insn
     2 086 942 109      branches                  #  655,014 M/sec                  
         2 078 204      branch-misses             #    0,10% of all branches        

       3,186768174 seconds time elapsed

केवल एक चीज बाहर खड़ी है: ठप-चक्र-सीमांत

ठीक है, निर्देश पाइपलाइन ठप है। सामने में। वास्तव में इसका मतलब है कि शायद माइक्रोएरेक्टेक्चर के बीच भिन्न होता है।

मुझे एक अनुमान है, हालांकि। यदि आप उदार हैं, तो आप इसे एक परिकल्पना भी कह सकते हैं।

परिकल्पना

इनपुट को क्रमबद्ध करके, आप लिखों की स्थानीयता बढ़ा रहे हैं। वास्तव में, वे बहुत स्थानीय होंगे; आपके द्वारा किए गए लगभग सभी अतिरिक्त पिछले एक के समान स्थान पर लिखेंगे।

यह कैश के लिए बहुत अच्छा है, लेकिन पाइपलाइन के लिए महान नहीं है। आप डेटा निर्भरता का परिचय दे रहे हैं, अगले जोड़ के निर्देश को आगे बढ़ने से रोक रहे हैं जब तक कि पिछला जोड़ पूरा न हो जाए (या अन्यथा परिणाम सफल निर्देशों के लिए उपलब्ध है )

यह तुम्हारी समस्या है।

मुझे लगता है।

इसे ठीक कर रहे हैं

एकाधिक योग वैक्टर

दरअसल, चलो कुछ कोशिश करते हैं। क्या होगा यदि हम प्रत्येक जोड़ के लिए कई योग वैक्टरों का उपयोग करते हैं, और फिर अंत में उन्हें जोड़ते हैं? यह हमें थोड़ा स्थानीयता की लागत देता है, लेकिन डेटा निर्भरता को दूर करना चाहिए।

(कोड सुंदर नहीं है, मुझे जज मत करो, इंटरनेट !!)

#include <iostream>
#include <chrono>
#include <vector>

#ifndef NSUMS
#define NSUMS (4) // must be power of 2 (for masking to work)
#endif

// This is the function whose performance I am interested in
void grouped_sum(int* p_x, int *p_g, int n, int** p_out) {
  for (size_t i = 0; i < n; ++i) {
    p_out[i & (NSUMS-1)][p_g[i]] += p_x[i];
  }
}

int main() {
  std::vector<int> values;
  std::vector<int> groups;
  std::vector<int> sums[NSUMS];

  int n_groups = 0;

  // Read in the values and calculate the max number of groups
  while(std::cin) {
    int value, group;
    std::cin >> value >> group;
    values.push_back(value);
    groups.push_back(group);
    if (group >= n_groups) {
      n_groups = group+1;
    }
  }
  for (int i=0; i<NSUMS; ++i) {
    sums[i].resize(n_groups);
  }

  // Time grouped sums
  std::chrono::system_clock::time_point start = std::chrono::system_clock::now();
  int* sumdata[NSUMS];
  for (int i = 0; i < NSUMS; ++i) {
    sumdata[i] = sums[i].data();
  }
  for (int i = 0; i < 1000; ++i) {
    grouped_sum(values.data(), groups.data(), values.size(), sumdata);
  }
  for (int i = 1; i < NSUMS; ++i) {
    for (int j = 0; j < n_groups; ++j) {
      sumdata[0][j] += sumdata[i][j];
    }
  }
  std::chrono::system_clock::time_point end = std::chrono::system_clock::now();

  std::cout << (end - start).count() << " with NSUMS=" << NSUMS << std::endl;

  return 0;
}

(ओह, और मैंने भी n_groups गणना निर्धारित की; यह एक से बंद था।)

परिणाम

एक -DNSUMS=... कंपाइलर को arg देने के लिए मेरे -DNSUMS=... को कॉन्फ़िगर करने के बाद, मैं यह कर सकता था:

sumspeed$ for n in 1 2 4 8 128; do make -s clean && make -s NSUMS=$n && (perf stat ./sum_groups < groups_shuffled && perf stat ./sum_groups < groups_sorted)  2>&1 | egrep '^[0-9]|frontend'; done
1134557008 with NSUMS=1
       924 611 882      stalled-cycles-frontend   #   17,13% frontend cycles idle   
2513696351 with NSUMS=1
     4 998 203 130      stalled-cycles-frontend   #   52,79% frontend cycles idle   
1116188582 with NSUMS=2
       899 339 154      stalled-cycles-frontend   #   16,83% frontend cycles idle   
1365673326 with NSUMS=2
     1 845 914 269      stalled-cycles-frontend   #   29,97% frontend cycles idle   
1127172852 with NSUMS=4
       902 964 410      stalled-cycles-frontend   #   16,79% frontend cycles idle   
1171849032 with NSUMS=4
     1 007 807 580      stalled-cycles-frontend   #   18,29% frontend cycles idle   
1118732934 with NSUMS=8
       881 371 176      stalled-cycles-frontend   #   16,46% frontend cycles idle   
1129842892 with NSUMS=8
       905 473 182      stalled-cycles-frontend   #   16,80% frontend cycles idle   
1497803734 with NSUMS=128
     1 982 652 954      stalled-cycles-frontend   #   30,63% frontend cycles idle   
1180742299 with NSUMS=128
     1 075 507 514      stalled-cycles-frontend   #   19,39% frontend cycles idle   

योग वैक्टर की इष्टतम संख्या संभवतः आपके सीपीयू की पाइपलाइन की गहराई पर निर्भर करेगी। मेरा 7 साल पुराना अल्ट्राबुक सीपीयू शायद कम वैक्टर के साथ पाइप लाइन को अधिकतम कर सकता है जो एक नए फैंसी डेस्कटॉप सीपीयू की आवश्यकता होगी।

स्पष्ट रूप से, अधिक जरूरी बेहतर नहीं है; जब मैं 128 राशि वाले वैक्टरों के साथ पागल हो गया, तो हम कैश मिस से अधिक पीड़ित होने लगे - जैसा कि कटा हुआ इनपुट की तुलना में धीमी गति से बनता जा रहा है, जैसे कि आप मूल रूप से उम्मीद करते थे। हम पूरा चक्कर लगा आए हैं! :)

रजिस्टर में प्रति-समूह योग

(यह एक संपादन में जोड़ा गया था)

आह, नीरद छलनी! यदि आप जानते हैं कि आपका इनपुट सॉर्ट किया जाएगा और और भी अधिक प्रदर्शन की तलाश में है, तो फ़ंक्शन का निम्नलिखित फिर से लिखना (कोई अतिरिक्त योग सरणियों के साथ) और भी तेज है, कम से कम मेरे कंप्यूटर पर।

// This is the function whose performance I am interested in
void grouped_sum(int* p_x, int *p_g, int n, int* p_out) {
  int i = n-1;
  while (i >= 0) {
    int g = p_g[i];
    int gsum = 0;
    do {
      gsum += p_x[i--];
    } while (i >= 0 && p_g[i] == g);
    p_out[g] += gsum;
  }
}

इसमें एक चाल यह है कि यह संकलक को एक रजिस्टर में gsum चर, समूह का योग रखने की अनुमति देता है। मैं अनुमान लगा रहा हूं (लेकिन यह बहुत गलत हो सकता है) कि यह तेजी से है क्योंकि पाइप लाइन में फीडबैक लूप यहां कम हो सकता है, और / या कम मेमोरी ट्रेस हो सकता है। एक अच्छा शाखा भविष्यवक्ता समूह समानता के लिए अतिरिक्त जाँच को सस्ता बना देगा।

परिणाम

फेरबदल इनपुट के लिए यह भयानक है ...

sumspeed$ time ./sum_groups < groups_shuffled
2236354315

real    0m2.932s
user    0m2.923s
sys 0m0.009s

... लेकिन छंटे हुए इनपुट के लिए मेरे "कई रकम" समाधान की तुलना में लगभग 40% तेज है।

sumspeed$ time ./sum_groups < groups_sorted
809694018

real    0m1.501s
user    0m1.496s
sys 0m0.005s

छोटे समूहों के बहुत से कुछ बड़े लोगों की तुलना में धीमी हो जाएगी, तो यह तेजी से कार्यान्वयन है या नहीं यह वास्तव में यहाँ आपके डेटा पर निर्भर करेगा। और, हमेशा की तरह, अपने सीपीयू मॉडल पर।

कई मास्क वैक्टर, बिट मास्किंग के बजाय ऑफसेट के साथ

Sopel ने मेरे बिट मास्किंग दृष्टिकोण के विकल्प के रूप में चार अनियंत्रित परिवर्धन का सुझाव दिया। मैंने उनके सुझाव का एक सामान्यीकृत संस्करण लागू किया है, जो विभिन्न NSUMS को संभाल सकता है। मैं हमारे लिए आंतरिक लूप को NSUMS=4 करने वाले कंपाइलर पर भरोसा कर रहा हूं (जो यह किया था, कम से कम NSUMS=4 )।

#include <iostream>
#include <chrono>
#include <vector>

#ifndef NSUMS
#define NSUMS (4) // must be power of 2 (for masking to work)
#endif

#ifndef INNER
#define INNER (0)
#endif
#if INNER
// This is the function whose performance I am interested in
void grouped_sum(int* p_x, int *p_g, int n, int** p_out) {
  size_t i = 0;
  int quadend = n & ~(NSUMS-1);
  for (; i < quadend; i += NSUMS) {
    for (int k=0; k<NSUMS; ++k) {
      p_out[k][p_g[i+k]] += p_x[i+k];
    }
  }
  for (; i < n; ++i) {
    p_out[0][p_g[i]] += p_x[i];
  }
}
#else
// This is the function whose performance I am interested in
void grouped_sum(int* p_x, int *p_g, int n, int** p_out) {
  for (size_t i = 0; i < n; ++i) {
    p_out[i & (NSUMS-1)][p_g[i]] += p_x[i];
  }
}
#endif


int main() {
  std::vector<int> values;
  std::vector<int> groups;
  std::vector<int> sums[NSUMS];

  int n_groups = 0;

  // Read in the values and calculate the max number of groups
  while(std::cin) {
    int value, group;
    std::cin >> value >> group;
    values.push_back(value);
    groups.push_back(group);
    if (group >= n_groups) {
      n_groups = group+1;
    }
  }
  for (int i=0; i<NSUMS; ++i) {
    sums[i].resize(n_groups);
  }

  // Time grouped sums
  std::chrono::system_clock::time_point start = std::chrono::system_clock::now();
  int* sumdata[NSUMS];
  for (int i = 0; i < NSUMS; ++i) {
    sumdata[i] = sums[i].data();
  }
  for (int i = 0; i < 1000; ++i) {
    grouped_sum(values.data(), groups.data(), values.size(), sumdata);
  }
  for (int i = 1; i < NSUMS; ++i) {
    for (int j = 0; j < n_groups; ++j) {
      sumdata[0][j] += sumdata[i][j];
    }
  }
  std::chrono::system_clock::time_point end = std::chrono::system_clock::now();

  std::cout << (end - start).count() << " with NSUMS=" << NSUMS << ", INNER=" << INNER << std::endl;

  return 0;
}

परिणाम

मापने का समय। ध्यान दें कि जब मैं कल / tmp में काम कर रहा था, मेरे पास सटीक इनपुट डेटा नहीं है। इसलिए, ये परिणाम सीधे पिछले वाले (लेकिन संभवतः काफी करीब) के लिए तुलनीय नहीं हैं।

sumspeed$ for n in 2 4 8 16; do for inner in 0 1; do make -s clean && make -s NSUMS=$n INNER=$inner && (perf stat ./sum_groups < groups_shuffled && perf stat ./sum_groups < groups_sorted)  2>&1 | egrep '^[0-9]|frontend'; done; done1130558787 with NSUMS=2, INNER=0
       915 158 411      stalled-cycles-frontend   #   16,96% frontend cycles idle   
1351420957 with NSUMS=2, INNER=0
     1 589 408 901      stalled-cycles-frontend   #   26,21% frontend cycles idle   
840071512 with NSUMS=2, INNER=1
     1 053 982 259      stalled-cycles-frontend   #   23,26% frontend cycles idle   
1391591981 with NSUMS=2, INNER=1
     2 830 348 854      stalled-cycles-frontend   #   45,35% frontend cycles idle   
1110302654 with NSUMS=4, INNER=0
       890 869 892      stalled-cycles-frontend   #   16,68% frontend cycles idle   
1145175062 with NSUMS=4, INNER=0
       948 879 882      stalled-cycles-frontend   #   17,40% frontend cycles idle   
822954895 with NSUMS=4, INNER=1
     1 253 110 503      stalled-cycles-frontend   #   28,01% frontend cycles idle   
929548505 with NSUMS=4, INNER=1
     1 422 753 793      stalled-cycles-frontend   #   30,32% frontend cycles idle   
1128735412 with NSUMS=8, INNER=0
       921 158 397      stalled-cycles-frontend   #   17,13% frontend cycles idle   
1120606464 with NSUMS=8, INNER=0
       891 960 711      stalled-cycles-frontend   #   16,59% frontend cycles idle   
800789776 with NSUMS=8, INNER=1
     1 204 516 303      stalled-cycles-frontend   #   27,25% frontend cycles idle   
805223528 with NSUMS=8, INNER=1
     1 222 383 317      stalled-cycles-frontend   #   27,52% frontend cycles idle   
1121644613 with NSUMS=16, INNER=0
       886 781 824      stalled-cycles-frontend   #   16,54% frontend cycles idle   
1108977946 with NSUMS=16, INNER=0
       860 600 975      stalled-cycles-frontend   #   16,13% frontend cycles idle   
911365998 with NSUMS=16, INNER=1
     1 494 671 476      stalled-cycles-frontend   #   31,54% frontend cycles idle   
898729229 with NSUMS=16, INNER=1
     1 474 745 548      stalled-cycles-frontend   #   31,24% frontend cycles idle   

हाँ, NSUMS=8 साथ आंतरिक लूप मेरे कंप्यूटर पर सबसे तेज है। मेरे "स्थानीय gsum" दृष्टिकोण की तुलना में, यह भी shuffled इनपुट के लिए भयानक नहीं बनने का अतिरिक्त लाभ है।

नोट करने के लिए दिलचस्प: NSUMS=16 NSUMS=8 से भी बदतर हो जाता है। ऐसा इसलिए हो सकता है क्योंकि हम अधिक कैश मिसेज देखना शुरू कर रहे हैं, या क्योंकि हमारे पास आंतरिक लूप को ठीक से नियंत्रित करने के लिए पर्याप्त रजिस्टर नहीं हैं।






performance