Question

在我的应用程序中，我有一个for循环运行大约一千万个项目，如下所示：

int main(int argc, char* argv []) 
{
    unsigned int nNodes = 10000000;
    Node** nodeList = new Node* [nNodes];

    initialiseNodes(nodeList);  // nodes are initialised here

    for (unsigned int ii = 0l ii < nNodes; ++ii) 
        nodeList[ii]->update();

    showOutput(nodeList)       // show the output in some way
}

我不会详细介绍如何精确初始化或显示节点。重要的是Node::update()方法是一种小方法，独立于其他节点。因此，并行地执行该循环将是非常有利的。由于它只是一件小事，我想这次远离OpenCL / CUDA / OpenMP，所以我使用了C ++ Concurrency::parallel_for。那么代码就像这样：

#include <ppl.h>

int main(int argc, char* argv []) 
{
    unsigned int nNodes = 10000000;
    Node** nodeList = new Node* [nNodes];

    initialiseNodes(nodeList);  // nodes are initialised here

    Concurrency::parallel_for(unsigned int(0), nNodes, [&](unsigned int ii) {
            nodeList[ii]->update();
    });

    showOutput(nodeList)       // show the output in some way
}

这确实加快了程序的速度，但通常只有20％左右，我发现。坦率地说，我期待更多。在使用parallel_for时，有人可以告诉我这是否是典型的加速因素？或者有没有办法从中获得更多（没有切换到GPU实现）？

Answer 1

在问题上投入更多内核并不总能带来改进。事实上，在最坏的情况下，它甚至可以降低性能。从使用多个内核中受益取决于许多因素，例如涉及的共享数据量。有些问题本质上是可并行化的，有些则不是。

Answer 2

我发现我认为对性能提升的贡献最大。当然，像@ anthony-burleigh所说，任务必须是可并行的，共享数据的影响也是如此。然而，我发现并行化方法的计算负荷更重要。大任务似乎比小任务提供更高的加速。

例如，在：

Concurrency::parallel_for(unsigned int(0), nNodes, [&](unsigned int ii) {
        nodeList[ii]->update();  // <-- very small task
});

我的加速因子只有1.2。但是，在一项繁重的任务中，例如：

Concurrency::parallel_for(unsigned int(0), nNodes, [&](unsigned int ii) {
        ray[ii]->recursiveRayTrace();  // <-- very heavy task
});

程序突然跑了3倍。

我确信所有这些都有更深层次的解释，但这是我通过反复试验找到的。

使用Concurrency :: parallel_for（）获得边际性能增益

2 个答案: