Question

问题

我必须计算许多傅里叶变换。我想与我的许多内核并行执行这些操作。请注意，我不想要并行FFT算法，我只想发布许多令人尴尬的并行FFT。

我发现，当我的CPU使用率上升时，我的完成时间不会减少。

实施例

我们创建一些随机数据

In [1]: import numpy as np

In [2]: x = np.random.random(10000000)  # some random data

计算FFT冷却和计算一次FFT所需的时间。

In [3]: %time _ = np.fft.rfft(x)        # cost of one run
CPU times: user 589 ms, sys: 23.9 ms, total: 612 ms
Wall time: 613 ms

In [4]: %time _ = np.fft.rfft(x)        # there is some speedup from mulitple runs
CPU times: user 365 ms, sys: 12.4 ms, total: 378 ms
Wall time: 381 ms

我们依次在一系列数据上运行

In [5]: %time _ = map(np.fft.rfft, [x] * 12)  # many runs sequentially
CPU times: user 4.4 s, sys: 135 ms, total: 4.54 s
Wall time: 4.54 s

In [6]: 4.54 / 12                       # Same cost per FFT
Out[6]: 0.37833333333333335

我们做同样的事情，但现在使用四个线程的线程池。

In [7]: from multiprocessing.pool import ThreadPool

In [8]: pool = ThreadPool(4)            # I have four physical cores

In [9]: %time _ = pool.map(np.fft.rfft, [x] * 12)
CPU times: user 15.5 s, sys: 1.3 s, total: 16.8 s
Wall time: 4.79 s

我们发现没有加速。但是，我们发现由top衡量的CPU使用率接近400％。这不是GIL的问题。关于FFT的一些东西不能很好地并行化。也许我们正在颠覆更高级别的缓存？

硬件：Intel（R）Core（TM）i5-3320M CPU @ 2.60GHz

问题

一般情况下，这里有什么方法可以利用多个内核并行加速多个FFT？

Answer 1

在我的工作站上，ThreadPool 确实提供加速（虽然不是完美的）：

In [42]: x = np.random.random(2**23)

In [43]: %time _ = list(map(np.fft.rfft, [x]*12))
CPU times: user 3.32 s, sys: 380 ms, total: 3.7 s
Wall time: 3.7 s

In [44]: tpool = ThreadPool(4)

In [45]: %time _ = list(tpool.map(np.fft.rfft, [x]*12))
CPU times: user 5.4 s, sys: 596 ms, total: 6 s
Wall time: 1.62 s

In [46]: 3.7/4
Out[46]: 0.925

我使用的是Python3，所以也许那里有东西？否则，它可能是硬件。 FFT受内存限制，因此很可能单个线程使内存系统饱和。您可以通过下载到一个让您控制亲和力的环境来获得更好的内存系统位置。

硬件

Intel（R）Core（TM）i7-4930K CPU @ 3.40GHz。

在没有加速的情况下增加占用率

问题

实施例

问题

1 个答案:

硬件