Question

我试图将经典的map-reduce问题（可以与MPI很好地并行）与OpenCL并行，即AMD实现。但结果让我感到困扰。

首先让我简要介绍一下这个问题。有两种类型的数据流入系统：功能集（每个30个参数）和样本集（每个都有9000+个维度）。这是一个经典的map-reduce问题，我需要计算每个样本（Map）上每个特征的得分。然后，总结每个功能的总分（Reduce）。大约有10k功能和30k样本。

我尝试了不同的方法来解决问题。首先，我尝试按功能分解问题。问题是得分计算包括随机存储器访问（选择一些9000+维度并进行加/减计算）。由于我无法合并内存访问，因此成本很高。然后，我尝试通过样本分解问题。问题是，总结总得分，所有线程都在竞争几个得分变量。它会一直覆盖分数，结果证明是错误的。（我不能先进行个人得分，后来总结，因为它需要10k * 30k * 4字节）。

我尝试的第一种方法在具有8个线程的i7 860 CPU上给出了相同的性能。但是，我不认为这个问题是无法解决的：它与光线跟踪问题非常相似（为此您需要计算数百万条光线对数百万个三角形的计算）。有什么想法吗？

另外，我发布了一些代码：

按功能分解（有效，但速度慢）：

__kernel void __ccv_cl_pos_error_rate(__global unsigned int* err_rate,
__constant int* feature, __constant int* data, int num, __constant
unsigned int* w, int s, int isiz0, int isiz01, int step0, int step1)
{
    int igrid = get_global_id(0);
    __constant int* of = feature + igrid * 30;
    unsigned int e = 0;
    int k, i;
    int step[] = { step0, step1 };
    for (k = 0; k < num; k++)
    {
        __constant int* kd = data + k * isiz01;
        int pmin = kd[of[0] * isiz0 + of[1] + of[2] * step[of[0]]];
        int nmax = kd[of[3] * isiz0 + of[4] + of[5] * step[of[3]]];
        for (i = 0; i < 5; i++)
        {
            if (of[i * 6] >= 0)
                pmin = min(pmin, kd[of[i * 6] * isiz0 + of[i * 6 + 1] + of[i * 6 + 2] * step[of[i * 6]]]);
            if (of[i * 6 + 3] >= 0)
                nmax = max(nmax, kd[of[i * 6 + 3] * isiz0 + of[i * 6 + 4] + of[i * 6 + 5] * step[of[i * 6 + 3]]]);
        }
        if (pmin <= nmax)
            e += w[s + k];
    }
    err_rate[igrid] += e;
}

按样品分解，不起作用：


__kernel void __ccv_cl_pos_error_rate(__global unsigned int* err_rate,
__constant int* feature, __constant int* data, int num, __constant
unsigned int* w, int s, int isiz0, int isiz01, int step0, int step1,
__local int* shared)
{
    int igrid = get_global_id(0);
    int lsize = get_local_size(0);
    int lid = get_local_id(0);
    unsigned int e = 0;
    int k, i;
    int ws = w[s + igrid];
    int step[] = { step0, step1 };
    for (k = 0; k < isiz01; k += lsize)
        if (k + lid < isiz01)
            shared[k + lid] = data[igrid * isiz01 + k + lid];
    barrier(....);
    for (k = 0; k < num; k++)
    {
        __constant int* of = feature + k * 30;
        int pmin = shared[of[0] * isiz0 + of[1] + of[2] * step[of[0]]];
        int nmax = shared[of[3] * isiz0 + of[4] + of[5] * step[of[3]]];
        for (i = 0; i < 5; i++)
        {
            if (of[i * 6] >= 0)
                pmin = min(pmin, shared[of[i * 6] * isiz0 + of[i * 6 + 1] + of[i * 6 + 2] * step[of[i * 6]]]);
            if (of[i * 6 + 3] >= 0)
                nmax = max(nmax, shared[of[i * 6 + 3] * isiz0 + of[i * 6 + 4] + of[i * 6 + 5] * step[of[i * 6 + 3]]]);
        }
        if (pmin <= nmax)
            err_rate[k] += ws; // here is wrong.
    }
    barrier(....);
}

Answer 1

来自这里的安德鲁库克。从你的第一次尝试开始，我现在更好地理解了这个问题，并且看到选择样本取决于功能是什么在那里杀死你。

是按功能完全随机选择样本，还是可以利用其中的规律性（排序功能以便使用相同样本的那些一起处理）？这是显而易见的，所以我想这是不可能的。

不幸的是，我不理解你的第二次尝试。

用opencl解决经典的map-reduce问题？

1 个答案: