Comments 43
Ну и цифры хорошо бы увидеть.
Данные по скорости хорошие, но не хочу стать заложником ошибки выжившего, выдав свои локальные данные за факты.
В общем, я немного переделал Ваш код на С, и получилось чуть по-быстрее.
#include <stdio.h>
#include <omp.h>
#include <time.h>
#include <windows.h>
#include <algorithm>
//=============================================================
typedef struct TNode {
//unsigned long long key;
unsigned int key;
//unsigned short key;
//unsigned char key;
unsigned int value;
//unsigned int value1;
//unsigned int value2;
} TNode;
//=============================================================
void RSort_step(TNode *source, TNode *dest, unsigned int n, unsigned int *offset, unsigned char sortable_bit)
{
unsigned char *b = (unsigned char*)&source[n].key + sortable_bit;
for (unsigned int i = 0; i < n; ++i)
{
TNode const& src = source[i];
unsigned int off = (src.key >> (sortable_bit * 8)) & 0xFF;
dest[offset[off]++] = src;
}
}
//=============================================================
void RSort_Node(TNode *m, unsigned int n)
{
// Выделяем память под временный массив
TNode *m_temp = (TNode*)malloc(sizeof(TNode) * n);
// Заводим массив корзин
unsigned int s[sizeof(m->key) * 256] = {0};
// Заполняем массив корзин для всех разрядов
for (unsigned int i = 0; i < n; ++i)
{
unsigned int key = m[i].key;
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[((key >> (digit * 8)) & 0xFF) +256*digit]++;
}
}
// Пересчитываем смещения для корзин
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
unsigned int off = 0;
for (unsigned int i = 0; i < 256; i++)
{
unsigned int value = s[i+256*digit];
s[i+256*digit] = off;
off += value;
}
}
// Вызов сортировки по битам от младших к старшим (LSD)
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
RSort_step(m, m_temp, n, &s[256*digit] ,digit);
TNode *temp = m;
m = m_temp;
m_temp = temp;
}
// Если ключ структуры однобайтовый, копируем отсортированное в исходный массив
if (sizeof(m->key)==1)
{
TNode *temp = m;
m = m_temp;
m_temp = temp;
memcpy(m, m_temp, n * sizeof(TNode));
}
free(m_temp);
}
//=============================================================
int main()
{
unsigned int n=10000000;
LARGE_INTEGER frequency;
LARGE_INTEGER t1, t2, t3, t4;
double elapsedTime;
TNode *m1 = (TNode*)malloc(sizeof(TNode) * n);
TNode *m2 = (TNode*)malloc(sizeof(TNode) * n);
srand(time(NULL));
for (unsigned int i=0; i<n; i++)
{
m1[i].key = rand()*RAND_MAX+rand();
m2[i].key = m1[i].key;
}
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t1);
RSort_Node(m1, n);
QueryPerformanceCounter(&t2);
elapsedTime=(float)(t2.QuadPart-t1.QuadPart)/frequency.QuadPart;
printf("The RSort: %.5f seconds\n", elapsedTime);
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t3);
std::sort(m2, m2+n,[](const TNode &a, const TNode &b){return a.key < b.key;});
QueryPerformanceCounter(&t4);
elapsedTime=(float)(t4.QuadPart-t3.QuadPart)/frequency.QuadPart;
printf("The std::sort: %.5f seconds\n", elapsedTime);
for (unsigned int i=0; i<n; i++)
{
if (m1[i].key!=m2[i].key)
{
printf("\n\n!!!!!\n");
break;
}
}
free(m1);
free(m2);
return 0;
}
The RSort: 0.27004 seconds
The std::sort: 0.80469 seconds
После:
The RSort: 0.22043 seconds
The std::sort: 0.80015 seconds
У меня: GCC WIN 10 -o3 получаются противоположные результаты.
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <windows.h>
//========================================================
typedef struct TNode {
unsigned int key;
unsigned int value;
} TNode;
//========================================================
void Sort_step(TNode *source, TNode *dest, unsigned int n, unsigned int *offset, unsigned char sortable_bit)
{
unsigned char *b = (unsigned char*)&source[n].key + sortable_bit;
TNode *v = &source[n];
while (v >= source)
{
dest[--offset[*b]] = *v--;
b -= sizeof(TNode);
}
}
//========================================================
void RSort_Node(TNode *m, unsigned int n)
{
// Выделяем память под временный массив
TNode *m_temp = (TNode*)malloc(sizeof(TNode) * n);
// Заводим массив корзин
unsigned int s[sizeof(m->key) * 256] = {0};
// Заполняем массив корзин для всех разрядов
unsigned char *b = (unsigned char*)&m[n-1].key;
while (b >= (unsigned char*)&m[0].key)
{
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[*(b+digit)+256*digit]++;
}
b -= sizeof(TNode);
}
// Пересчитываем смещения для корзин
for (unsigned int i = 1; i < 256; i++)
{
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[i+256*digit] += s[i-1+256*digit];
}
}
// Вызов сортировки по битам от младших к старшим (LSD)
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
Sort_step(m, m_temp, n-1, &s[256*digit] ,digit);
TNode *temp = m;
m = m_temp;
m_temp = temp;
}
// Если ключ структуры однобайтовый копируем отсортированное в исходный массив
if (sizeof(m->key)==1)
{
TNode *temp = m;
m = m_temp;
m_temp = temp;
memcpy(m, m_temp, n * sizeof(TNode));
}
free(m_temp);
}
//========================================================
void RSort_step2(TNode *source, TNode *dest, unsigned int n, unsigned int *offset, unsigned char sortable_bit)
{
unsigned char *b = (unsigned char*)&source[n].key + sortable_bit;
for (unsigned int i = 0; i < n; ++i)
{
//TNode const& src = source[i]; // <- здесь оперсанд опечатка?
TNode const src = source[i];
unsigned int off = (src.key >> (sortable_bit * 8)) & 0xFF;
dest[offset[off]++] = src;
}
}
//========================================================
void RSort_Node2(TNode *m, unsigned int n)
{
// Выделяем память под временный массив
TNode *m_temp = (TNode*)malloc(sizeof(TNode) * n);
// Заводим массив корзин
unsigned int s[sizeof(m->key) * 256] = {0};
// Заполняем массив корзин для всех разрядов
for (unsigned int i = 0; i < n; ++i)
{
unsigned int key = m[i].key;
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[((key >> (digit * 8)) & 0xFF) +256*digit]++;
}
}
// Пересчитываем смещения для корзин
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
unsigned int off = 0;
for (unsigned int i = 0; i < 256; i++)
{
unsigned int value = s[i+256*digit];
s[i+256*digit] = off;
off += value;
}
}
// Вызов сортировки по битам от младших к старшим (LSD)
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
RSort_step2(m, m_temp, n, &s[256*digit] ,digit);
TNode *temp = m;
m = m_temp;
m_temp = temp;
}
// Если ключ структуры однобайтовый, копируем отсортированное в исходный массив
if (sizeof(m->key)==1)
{
TNode *temp = m;
m = m_temp;
m_temp = temp;
memcpy(m, m_temp, n * sizeof(TNode));
}
free(m_temp);
}
//========================================================
int main()
{
unsigned int n=10000000;
LARGE_INTEGER frequency;
LARGE_INTEGER t1, t2, t3, t4;
double elapsedTime;
TNode *m1 = (TNode*)malloc(sizeof(TNode) * n);
TNode *m2 = (TNode*)malloc(sizeof(TNode) * n);
srand(time(NULL));
for (unsigned int i=0; i<n; i++)
{
m1[i].key = rand()*RAND_MAX+rand();
m2[i].key = m1[i].key;
}
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t1);
RSort_Node(m1, n);
QueryPerformanceCounter(&t2);
elapsedTime=(float)(t2.QuadPart-t1.QuadPart)/frequency.QuadPart;
printf("RSort_Node1: %.5f seconds\n", elapsedTime);
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t3);
RSort_Node2(m2, n);
//std::sort(m2, m2+n,[](const TNode &a, const TNode &b){return a.key < b.key;});
QueryPerformanceCounter(&t4);
elapsedTime=(float)(t4.QuadPart-t3.QuadPart)/frequency.QuadPart;
printf("RSort_Node2: %.5f seconds\n", elapsedTime);
for (unsigned int i=0; i<n; i++)
{
if (m1[i].key!=m2[i].key)
{
printf("\n\n!!!!!\n");
break;
}
}
free(m1);
free(m2);
return 0;
}
Результат:
RSort_Node1: 0.19118 seconds
RSort_Node2: 0.21374 seconds
А возможно, разница идёт от выбора компилятора.
Прошу выкладывайте свои результаты, мне бы хотелось получить общую картину.
Clang, как и GCC, предпочитает вариант «задом наперёд»:
RSort_Node1: 0.14152 seconds
RSort_Node2: 0.15728 seconds
А Паскалевский вариант с прямым направлением есть?
Вообще порядок обхода элементов в RSort_step важен? Если нет, то можно в этом месте распараллелить.
Паскаль тестировал в Lazarus, он базируется так же на GCC, результат аналогичен си’шному.
(пардон, в алгоритм не особо вникал — но вы ведь его и не описываете)
procedure Sort_step(offset: PIntArr; num: Integer; dest, source : PNodeArr; len : Longword);
var b : PByte;
i, n : Integer;
begin
// b:=@source[len]; // обратный
b:=@source[0]; // прямой
inc(b,num);
For i:=0 to len do begin
n := offset[b^]-1;
dest[n] := PNode(Integer(b)-num)^;
offset[b^] := n;
// Dec(b, SizeOf(TNode)); // обратный
Inc(b, SizeOf(TNode)); // прямой
end;
end;
//TNode const& src = source[i]; // < — здесь оперсанд опечатка?
TNode const src = source[i];
Я сам сишник-любитель и плохо знаю синтаксис ссылок (вот это &), но можно сделать обычный указатель:
TNode * src = &source[i];
unsigned int off = (src->key >> (sortable_bit * 8)) & 0xFF;
dest[offset[off]++] = *src;
тогда получаем:RSort_Node1: 0.14094 seconds
RSort_Node2: 0.14432 seconds
разница уже близка к погрешности измерений
Я благодарен проявленному интересу к самому алгоритму, я разложу его соль чуть ниже. Протестируйте данный код, RSort_Node3 – это Ваши правки. Разница в скорости не так велика, но она есть, особенно при нескольких запусках программы, если брать среднее.
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <windows.h>
//========================================================
typedef struct TNode {
unsigned int key;
unsigned int value;
} TNode;
//========================================================
void Sort_step(TNode *source, TNode *dest, unsigned int n, unsigned int *offset, unsigned char sortable_bit)
{
unsigned char *b = (unsigned char*)&source[n].key + sortable_bit;
TNode *v = &source[n];
while (v >= source)
{
dest[--offset[*b]] = *v--;
b -= sizeof(TNode);
}
}
//========================================================
void RSort_Node(TNode *m, unsigned int n)
{
// Выделяем память под временный массив
TNode *m_temp = (TNode*)malloc(sizeof(TNode) * n);
// Заводим массив корзин
unsigned int s[sizeof(m->key) * 256] = {0};
// Заполняем массив корзин для всех разрядов
unsigned char *b = (unsigned char*)&m[n-1].key;
while (b >= (unsigned char*)&m[0].key)
{
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[*(b+digit)+256*digit]++;
}
b -= sizeof(TNode);
}
// Пересчитываем смещения для корзин
for (unsigned int i = 1; i < 256; i++)
{
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[i+256*digit] += s[i-1+256*digit];
}
}
// Вызов сортировки по битам от младших к старшим (LSD)
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
Sort_step(m, m_temp, n-1, &s[256*digit] ,digit);
TNode *temp = m;
m = m_temp;
m_temp = temp;
}
// Если ключ структуры однобайтовый копируем отсортированное в исходный массив
if (sizeof(m->key)==1)
{
TNode *temp = m;
m = m_temp;
m_temp = temp;
memcpy(m, m_temp, n * sizeof(TNode));
}
free(m_temp);
}
//========================================================
void RSort_step2(TNode *source, TNode *dest, unsigned int n, unsigned int *offset, unsigned char sortable_bit)
{
unsigned char *b = (unsigned char*)&source[n].key + sortable_bit;
for (unsigned int i = 0; i < n; ++i)
{
//TNode const& src = source[i]; // <- здесь оперсанд опечатка?
TNode const src = source[i];
unsigned int off = (src.key >> (sortable_bit * 8)) & 0xFF;
dest[offset[off]++] = src;
}
}
//========================================================
void RSort_Node2(TNode *m, unsigned int n)
{
// Выделяем память под временный массив
TNode *m_temp = (TNode*)malloc(sizeof(TNode) * n);
// Заводим массив корзин
unsigned int s[sizeof(m->key) * 256] = {0};
// Заполняем массив корзин для всех разрядов
for (unsigned int i = 0; i < n; ++i)
{
unsigned int key = m[i].key;
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[((key >> (digit * 8)) & 0xFF) +256*digit]++;
}
}
// Пересчитываем смещения для корзин
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
unsigned int off = 0;
for (unsigned int i = 0; i < 256; i++)
{
unsigned int value = s[i+256*digit];
s[i+256*digit] = off;
off += value;
}
}
// Вызов сортировки по битам от младших к старшим (LSD)
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
RSort_step2(m, m_temp, n, &s[256*digit] ,digit);
TNode *temp = m;
m = m_temp;
m_temp = temp;
}
// Если ключ структуры однобайтовый, копируем отсортированное в исходный массив
if (sizeof(m->key)==1)
{
TNode *temp = m;
m = m_temp;
m_temp = temp;
memcpy(m, m_temp, n * sizeof(TNode));
}
free(m_temp);
}
//========================================================
void RSort_step3(TNode *source, TNode *dest, unsigned int n, unsigned int *offset, unsigned char sortable_bit)
{
unsigned char *b = (unsigned char*)&source[n].key + sortable_bit;
for (unsigned int i = 0; i < n; ++i)
{
TNode * src = &source[i];
unsigned int off = (src->key >> (sortable_bit * 8)) & 0xFF;
dest[offset[off]++] = *src;
}
}
//========================================================
void RSort_Node3(TNode *m, unsigned int n)
{
// Выделяем память под временный массив
TNode *m_temp = (TNode*)malloc(sizeof(TNode) * n);
// Заводим массив корзин
unsigned int s[sizeof(m->key) * 256] = {0};
// Заполняем массив корзин для всех разрядов
for (unsigned int i = 0; i < n; ++i)
{
unsigned int key = m[i].key;
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[((key >> (digit * 8)) & 0xFF) +256*digit]++;
}
}
// Пересчитываем смещения для корзин
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
unsigned int off = 0;
for (unsigned int i = 0; i < 256; i++)
{
unsigned int value = s[i+256*digit];
s[i+256*digit] = off;
off += value;
}
}
// Вызов сортировки по битам от младших к старшим (LSD)
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
RSort_step3(m, m_temp, n, &s[256*digit] ,digit);
TNode *temp = m;
m = m_temp;
m_temp = temp;
}
// Если ключ структуры однобайтовый, копируем отсортированное в исходный массив
if (sizeof(m->key)==1)
{
TNode *temp = m;
m = m_temp;
m_temp = temp;
memcpy(m, m_temp, n * sizeof(TNode));
}
free(m_temp);
}
//========================================================
int main()
{
unsigned int n=10000000;
LARGE_INTEGER frequency;
LARGE_INTEGER t1, t2, t3, t4, t5, t6;
double elapsedTime;
TNode *m1 = (TNode*)malloc(sizeof(TNode) * n);
TNode *m2 = (TNode*)malloc(sizeof(TNode) * n);
TNode *m3 = (TNode*)malloc(sizeof(TNode) * n);
srand(time(NULL));
for (unsigned int i=0; i<n; i++)
{
m1[i].key = rand()*RAND_MAX+rand();
m2[i].key = m1[i].key;
m3[i].key = m1[i].key;
}
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t1);
RSort_Node(m1, n);
QueryPerformanceCounter(&t2);
elapsedTime=(float)(t2.QuadPart-t1.QuadPart)/frequency.QuadPart;
printf("RSort_Node1: %.5f seconds\n", elapsedTime);
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t3);
RSort_Node2(m2, n);
//std::sort(m2, m2+n,[](const TNode &a, const TNode &b){return a.key < b.key;});
QueryPerformanceCounter(&t4);
elapsedTime=(float)(t4.QuadPart-t3.QuadPart)/frequency.QuadPart;
printf("RSort_Node2: %.5f seconds\n", elapsedTime);
QueryPerformanceFrequency(&frequency);
QueryPerformanceCounter(&t5);
RSort_Node3(m3, n);
QueryPerformanceCounter(&t6);
elapsedTime=(float)(t6.QuadPart-t5.QuadPart)/frequency.QuadPart;
printf("RSort_Node3: %.5f seconds\n", elapsedTime);
for (unsigned int i=0; i<n; i++)
{
if ((m1[i].key!=m2[i].key)||(m1[i].key!=m3[i].key))
{
printf("\n\n!!!!!\n");
break;
}
}
free(m1);
free(m2);
free(m3);
return 0;
}
На моём ноутбуке вышло:
RSort_Node1: 0.16993 seconds
RSort_Node2: 0.18999 seconds
RSort_Node3: 0.17411 seconds
Clang 10
RSort_Node1: 0.14313
RSort_Node2: 0.15709
RSort_Node3: 0.14532
GCC 9.3
RSort_Node1: 0.14448
RSort_Node2: 0.15864
RSort_Node3: 0.14716
если параллелить в данном месте, то в зависимости от входных данных нагрузка неравномерно распределиться по ядрам.Для компенсации неравномерной нагрузки есть режимы с динамическим распределением потоков. В том же OpenMP для параллельного цикла это #pragma omp parallel for schedule(dynamic)
Итерации цикла могут занимать разное время, но их должно быть много, значительно больше кол-ва потоков/ядер.
RSort_Node1: 0.18070 seconds
RSort_Node2: 0.17742 seconds
RSort_Node3: 0.17786 seconds
Прямой обратный или случайный.
Из-за того, что индексы гуляют по всей памяти, нивелируются практически любые уловки.
Префетчинг тут не играет, он тут только будет мешать, забивая кэш.
Единственно, что мы можем сделать ускорить высоконагруженный цикл.
Возможно, мой код выглядит несколько не красиво с точки зрения синтаксиса, зато компилятор чётко понимает (по крайней мере, GCC), как оптимизировать циклы. Покажу на фрагменте.
unsigned char *b = (unsigned char*)&m[n-1].key;
while (b >= (unsigned char*)&m[0].key)
{
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[*(b+digit)+256*digit]++;
}
b -= sizeof(TNode);
}
превращается во что то вроде
0x4014ba lea 0x0(%esi),%esi
0x4014c0 movzbl (%eax),%edx
0x4014c3 sub $0x8,%eax
0x4014c6 addl $0x1,0x20(%esp,%edx,4)
0x4014cb movzbl 0x9(%eax),%edx
0x4014cf addl $0x1,0x420(%esp,%edx,4)
0x4014d7 movzbl 0xa(%eax),%edx
0x4014db addl $0x1,0x820(%esp,%edx,4)
0x4014e3 movzbl 0xb(%eax),%edx
0x4014e7 addl $0x1,0xc20(%esp,%edx,4)
0x4014ef cmp %ebx,%eax
0x4014f1 jae 0x4014c0 <RSort_Node(TNode*, unsigned int)+80>
Обратите внимание, как изящно компилятор раскрыл внутренний цикл.
Ваш фрагмент:
for (unsigned int i = 0; i < n; ++i)
{
unsigned int key = m[i].key;
for (unsigned int digit=0; digit< sizeof(m->key); digit++)
{
s[((key >> (digit * 8)) & 0xFF) +256*digit]++;
}
}
превращается в
0x4018a3 cmp %ecx,%ebx
0x4018a5 jne 0x401870 <RSort_Node3(TNode*, unsigned int)+96>
0x4018a7 lea 0x420(%esp),%ebx
0x4018ae xor %esi,%esi
0x4018b0 lea -0x400(%ebx),%eax
0x4018b6 xor %edx,%edx
0x4018b8 lea 0x0(%esi,%eiz,1),%esi
0x4018bf nop
0x4018c0 mov (%eax),%ecx
0x4018c2 mov %edx,(%eax)
0x4018c4 add $0x4,%eax
0x4018c7 add %ecx,%edx
0x4018c9 cmp %eax,%ebx
0x4018cb jne 0x4018c0 <RSort_Node3(TNode*, unsigned int)+176>
0x4018cd add $0x100,%esi
0x4018d3 add $0x400,%ebx
0x4018d9 cmp $0x400,%esi
0x4018df jne 0x4018b0 <RSort_Node3(TNode*, unsigned int)+160>
Компилятор пытается решить в лоб, создавая больше кода.
На циклах в десятки миллионов повторов будет разница.
Хорошо, что Вы запостили компилятора. Я даже не представляю, как Вам удалось заполучить код с неразвернутым внутренним циклом. Вот как оно делается в GCC. Наверняка в этом и кроется секрет странных результатов на Вашей платформе.
И важно здесь то, что в этом случае происходит лишь одно чтение из памяти, вместо четырех в Вашем варианте. Это нивелирует отсутствие парочки побитовых операций, хотя да, смотрится такой вариант изящно.
Исходя из статистики выполнения, представленной тут, и собственных тестов, могу предположить следующее:
Все запуски на AMD проигрывают по первому варианту в скорости, причём сильно. На INTEL выигрывают, тестировал на нескольких моделях (i3 – i7). Разница между подходами только в выравнивании обращений к памяти.
Видимо Интеловцы умудрились как-то оптимизировать не выровненные обращения в кэш.
Другой гипотезы у меня нет.
Прошу сообщество прокомментировать данный посыл.
С другой стороны, вторая функция тоже скомпилировалась не так, как я ожидал — она все равно читает TNode два раза. Возможно, лучшим подходом тут будет проход от 0 до n, но с байтовым указателем.
Ну и на моем Intel'е проход вперед тоже выигрывает, а у Вас компилятор не разворачивает внутренний цикл на стадии подсчета, — от того и медленнее.
Мне, наконец, удалось добиться от компилятора выстроить цикл подсчёта по вашей схеме.
И знаете, выигрыша в скорости не обнаружил. Тут видимо, нужно уже переходить от подсчёта времени к подсчёту регистровых команд для точности.
Замечание что Ваш код делает меньше выборок в памяти, принимаю. Однако современные CPU читают к L1 практически с той же скоростью, как и регистры. На этом принципе и базируются стековые машины.
Быстродействие всё упрётся в скорость чтения и расшифровке опкодов (при условии использования только простых инструкций).
Ваш цикл содержит 15 инструкций общей длиной 55 байт, мой 11 инструкций общей длиной 50 байт. Ссылка
Всё же думаю разница, где то в архитектуре.
И ещё ваш цикл не отработает верно если ключ будет 1,2 или 8 байтов
На этом принципе и базируются стековые машины.Которых не существует в природе в аппаратном виде. Потому что чтение даже из лучших кешей занимает время.
Intel
AMD
Быстродействие всё упрётся в скорость чтения и расшифровке опкодов (при условии использования только простых инструкций).В смысле упрется во фронтенд? С рандомными записями в память? Не может такого быть. Можете взять VTune и убедиться.
И ещё ваш цикл не отработает верно если ключ будет 1,2 или 8 байтовНу для этих значений его можно легко подкорректировать, а вот для значений > 8 — да, будет проблема…
В смысле упрется во фронтенд? С рандомными записями в память? Не может такого быть.С чего бы при подсчёте записям быть рандомными? Мы последовательно читаем линейный буфер. И пишем в буфер, который чётко влезает в 4 строки кэша L1. И вообще не должен вытесняться.
i5-8250U, 8 Gb 2400 MHz:
RSort_Node1: 0.13478 seconds
RSort_Node2: 0.11913 seconds
R5 3600, 16 Gb 3200 MHz:
RSort_Node1: 0.27092 seconds
RSort_Node2: 0.22173 seconds
Вопрос о железе остается в силе — впечатление такое, что Вы используете какие-то интелы второго поколения вместе с DDR4 4400 MHz памятью.
А Вы могли бы собрать у себя данный код другим компилятором?
i5-8250U, 8 Gb 2400 MHz:
RSort_Node1: 0.14564 seconds
RSort_Node2: 0.13770 seconds
R5 3600, 16 Gb 3200 MHz:
RSort_Node1: 0.26932 seconds
RSort_Node2: 0.23173 seconds
А Вы в Codeblocks собирали с ключами оптимизации?
Дело в том, что изначально рассчитывал на оптимизации компилятора. В ветке выше я немного обозначил суть подхода.
n@VirtualBox:~/habr-test$ g++ -fno-math-errno -march=native -ffast-math -O3 main.c -o sort
n@VirtualBox:~/habr-test$ ./sort
The RSort: 0.12691 seconds
The std::sort: 0.71183 seconds
n@VirtualBox:~/habr-test$ g++ main.c -o sort
n@VirtualBox:~/habr-test$ ./sort
The RSort: 0.38586 seconds
The std::sort: 1.94089 seconds
n@VirtualBox:~/habr-test$
Странно, мне казалось, что я ещё лет 5-10 назад читал, что это поправили, и идти по памяти назад столь же эффективно.
Не смотря на развитие аппаратной части современных вычислителей и усовершенствовании алгоритмов, в целом производительность кода не только не выросла, но и местами изрядно деградировала.Судя по тексту вам не удалось эффективно использовать CUDA, ни SMP. Однако так сейчас и добиваются производительности — многоядерность и GPU. На этом, например, построены сегодняшние криптография и игроделание. И вот производители железа предлагают вам новые возможности, а вы «не умеете их готовить». Вы не противоречите себе?
Подскажите пожалуйста, я правильно понимаю что ваша сортировка выигрывает грубо говоря когда количество проходов k (оно же количество битов в элементах) грубо говоря меньше чем log (n)?
И если это так, то получается что все элементы массива можно воспринимать как числа от 0 до n (или до 2n при округлении логарифма вверх), а значит линейная сортировка будет прекрасно работать?
Сложность алгоритма, действительно, линейна от длины массива (n). Однако из-за особенности структуры кэша процессора и организации памяти, добавляются значительные накладные расходы. Алгоритм так устроен, что ему нужно постоянно читать различные фрагменты памяти со всего массива, не последовательно, это дорого. Если бы вся память компьютера работала на частоте L1 процессора, алгоритм был бы невероятно эффективен. А так эффект не столь значителен.
Я говорю не о вашем алгоритме, а о предполагаемых данных. Я правильно понимаю что количество бит в них порядка log(n)?
Пример: Если очень грубо. Массив из 16777216 элементов целых чисел. (int)
Быстрой сортировке нужно сравнить n * Log2 16777216 = 24*n раз.
RadixSort понадобится (k*n) ~ (4 * n) раз + (1 * n) проход на подсчёт. Итог 5 к 24.
В реальности всё несколько хуже.
Тогда поправьте меня если я не прав, но ваше решение использует байтовое разложение числа а не битовое и именно по этому ваша сложность приблизительно n * log_256 (Max)?
В современной архитектуре процессоров k практически всегда сводится к числу байт сортируемого числа.Это не означает, что запрещёно делить на иной множитель.
Int = 32 бита (4 байта) можно представить как:
4 — прохода по 8 бит (оптимально)
8 – проходов по 4 бита
2 — прохода по 16 бит (но это уже перебор, так как каждый проход сильно дорог)
Можно за 1 проход, но понадобится лишние 16 ГБ оперативки, и будет очень медленно.
Можно экзотику:
5 – проходов по 7 бит
6 – проходов по 6 бит
или др., но все они не будут оптимальными
Самый медленный этап это собственно сортировка (sort4), 0.016-0.013 * 4 прохода. Пересылка 0.010-0.013 * 2, туда и обратно.
В теории можно ещё ускорить, если увеличить кол-во вызовов, сейчас 1024, а у карты 1920 ядер.
Собрал для сравнения пример NVidia OpenCL Radix Sort, почему-то он не работает более чем с 4 млн. элементов — на 4 млн. получается 19 мс против 40 ваших с пересылкой, или 9 против 30 без пересылки.
У меня CL_DEVICE_MAX_WORK_GROUP_SIZE: 1024
В Вашем примере используется векторизация на GPU это, да должно давать прирост.
uint4 rank;
int idx = localId*4;
rank.x = (preds.x) ? address.x : numtrue[0] + idx - address.x;
rank.y = (preds.y) ? address.y : numtrue[0] + idx + 1 - address.y;
rank.z = (preds.z) ? address.z : numtrue[0] + idx + 2 - address.z;
rank.w = (preds.w) ? address.w : numtrue[0] + idx + 3 - address.w;
В любом случае ожидал прироста на порядок, при мощной GPU, а тут всего несколько раз.
Векторизация на современных GPU вроде бы не очень актуальна. Помню, что какое-то поколение AMD было на VLIW, там да.
Основная фишка примера NVidia — более эффективный доступ к памяти, что-то вручную кэшируется в локальную память, что-то переупорядочивается для более эффективного доступа.
Алгоритм в целом неудобен для GPU именно из-за произвольного доступа к памяти и малого кол-ва вычислений. Все эти безумные терафлопсы просто некуда приложить.
Ещё на будущее — инициализация OpenCL у вас сильно упрощённая, у меня установлены драйвера OpenCL для CPU, и GPU оказывается не в первой платформе, пришлось править.
Const
MaxPlatforms = 4;
var
platform_id : array [0..MaxPlatforms-1] of CL_platform_id;
begin
// Получаем доступные платформы
ret := clGetPlatformIDs(MaxPlatforms, @platform_id, @ret_num_platforms);
if CL_SUCCESS<>ret then writeln('clGetPlatformIDs Error ',ret);
// Получаем доступные устройства
For i:=0 to ret_num_platforms-1 do begin
ret := clGetDeviceIDs(platform_id[i], CL_DEVICE_TYPE_GPU, 1, @device_id, @ret_num_devices);
If ret = 0 then Break;
end;
if CL_SUCCESS<>ret then writeln('clGetDeviceIDs Error ',ret);
Значит, в версии из статьи ничто не мешает увеличить кол-во вызовов? Я пробовал replace по всему вашему исходнику 1024 на 2048 или другое значениеВы можете устанавливать любое значение кратное входному массиву. Или после небольшой доработки и иные значения. Но как я вывел экспериментальным путём 1024 оптимальное значение. Думаю это связано с пропускной способностью памяти видеокарты. Меньше используется не вся пропускная способность линий. Больше дополнительные ядра выстраиваются в очередь на доступ к памяти, что даёт накладные расходы при синхронизации большого числа ядер.
Раз уж Вы заинтересовались GPU’шной версией алгоритма предлагаю вам взглянуть на следующий код. Он немного сыроват, но для теста может быть интересен.
uses Cl, SysUtils, Windows;
//------------------------------------------------------------------------------
function OCL_Get_Prog(context: cl_context; pdevice_id: Pcl_device_id; name: PChar; S:AnsiString):cl_kernel;
var Tex:PCHAR;
Len:QWORD;
PLen:PQWORD;
Prog:cl_program;
kernel:cl_kernel;
Ret:cl_int;
begin
Tex:=@S[1];
Len:=Length(S);
PLen:=@LEN;
prog:=nil;
kernel:=nil;
// создать бинарник из кода программы
prog:= clCreateProgramWithSource(context, 1, @Tex, @Len, ret);
if CL_SUCCESS<>ret then writeln('clCreateProgramWithSource Error ',ret);
// скомпилировать программу
ret:= clBuildProgram(prog, 1, pdevice_id, nil, nil, nil);
if CL_SUCCESS<>ret then writeln('clBuildProgram Error ',ret);
// создать объект ядра для исполнения программы
kernel:= clCreateKernel(prog, name, ret);
if ret<>CL_SUCCESS then writeln('clCreateKernel Error ',ret);
// удаляем программу
clReleaseProgram(prog);
OCL_Get_Prog:=kernel;
end;
//------------------------------------------------------------------------------
var
context:cl_context;
kernel1, kernel2, kernel3 :cl_kernel;
Ret:cl_int;
valueSize : QWord =0;
value : Pointer = nil;
s0 : PChar;
platform_id:cl_platform_id;
ret_num_platforms:cl_uint;
ret_num_devices:cl_uint;
device_id:cl_device_id;
command_queue:cl_command_queue;
S1,S2,S3 : AnsiString;
memobj1, memobj2, memobj3 :cl_mem;
mem:Array of LongWord;
size:LongWord;
g_works, l_works :LongInt;
iCounterPerSec: TLargeInteger;
T1, T2, T3, T4: TLargeInteger; //значение счётчика ДО и ПОСЛЕ операции
i,j,step:LongWord;
procedure exchange_memobj(var a,b:cl_mem);
var c:cl_mem;
begin
c:=a;
a:=b;
b:=c;
end;
begin
//---------------------------------------------------------------------------
S1 :=
// Ядро сортировки 1 (Подсчёт индексов по блокам)
'__kernel void sort1(__global uint* m1, __global uint* m2, const uint digit, const uint len) {'+
' __private ushort p_m[256]={0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,'+
'0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0};'+
' uint g_id = get_global_id(0);'+
' for (uint i = 0; i < len; i++) {'+
' uchar key = (m1[g_id*len+i] >> digit);'+ // Находим ключ
' p_m[key]++;'+
' }'+
' for (uint i = 0; i < 256; i++) {'+
' m2[g_id*256+i] = p_m[i];'+
' }'+
'}';
//---------------------------------------------------------------------------
S2 :=
// Ядро сортировки 2 (Расчёт смещения)
'__kernel void sort2(__global uint* m1) {'+
' __local uint l_m[256];'+
' uint l_id = get_local_id(0);'+
' for (uint i = 1; i < 1024; i++) {'+
' m1[i*256+l_id] += m1[(i-1)*256+l_id];'+
' }'+
' l_m[l_id] = m1[1023*256+l_id];'+
' barrier(CLK_LOCAL_MEM_FENCE);'+
' for (uint i = 0; i < 8; i++) {'+
' uint offset = 1 << i;'+
' uint add = (l_id>=offset) ? l_m[l_id - offset] : 0;'+
' barrier(CLK_LOCAL_MEM_FENCE);'+
' l_m[l_id] += add;'+
' barrier(CLK_LOCAL_MEM_FENCE);'+
' }'+
' if (l_id>0) {'+
' for (uint i = 0; i < 1024; i++) {'+
' m1[i*256+l_id] += l_m[l_id-1];'+
' }'+
' }'+
'}';
//---------------------------------------------------------------------------
S3 :=
// Ядро сортировки 3
'__kernel void sort3(__global uint* m1, __global uint* m2, __global uint* m3, const uint digit, const uint len) {'+
' uint g_id = get_global_id(0);'+
//' for (uint i = 0; i < len; i++) {'+
' for (int i = len-1; i >= 0; i--) {'+ // обратить внимание цикл обратный!
' uchar key = (m1[g_id*len+i] >> digit);'+
' m2[--m3[g_id*256+key]] = m1[g_id*len+i];'+
' }'+
'}';
//---------------------------------------------------------------------------
// Получаем доступные платформы
ret := clGetPlatformIDs(1,@platform_id,@ret_num_platforms);
if CL_SUCCESS<>ret then writeln('clGetPlatformIDs Error ',ret);
// Получаем доступные устройства
//ret:=clGetDeviceIDs(platform_id, CL_DEVICE_TYPE_DEFAULT, 1, @device_id, @ret_num_devices);
ret := clGetDeviceIDs(platform_id, CL_DEVICE_TYPE_GPU, 1, @device_id, @ret_num_devices);
if CL_SUCCESS<>ret then writeln('clGetDeviceIDs Error ',ret);
clGetDeviceInfo(device_id, CL_DEVICE_NAME, 0, nil, valueSize);
GetMem(s0, valueSize);
clGetDeviceInfo(device_id, CL_DEVICE_NAME, valueSize, s0, valueSize);
Writeln('DEVICE_NAME: '+s0);
FreeMem(s0);
//clGetDeviceInfo(device_id, CL_DEVICE_MAX_WORK_GROUP_SIZE, sizeof(valueSize), @i, valueSize);
//Writeln('CL_DEVICE_MAX_WORK_GROUP_SIZE: '+inttostr(i));
// Создаём контекст для устройства
context:= clCreateContext(nil, 1, @device_id, nil, nil, ret);
if CL_SUCCESS<>ret then writeln('clCreateContext Error ',ret);
// Создаём очередь команд для контекста и устройства
command_queue := clCreateCommandQueue(context, device_id, 0, ret);
if CL_SUCCESS<>ret then writeln('clCreateContext Error ',ret);
//-------------------------------------------------------------
kernel1 := OCL_Get_Prog(context, @device_id, 'sort1', S1);
kernel2 := OCL_Get_Prog(context, @device_id, 'sort2', S2);
kernel3 := OCL_Get_Prog(context, @device_id, 'sort3', S3);
//-------------------------------------------------------------
size:=256*256*16*10;
g_works := size;
l_works := 256;
Randomize;
SetLength(mem, size);
for i:=0 to size-1 do mem[i]:=random(256*256*256*256);
// Создаём буферы для ввода вывода данных
memobj1 := clCreateBuffer(context, CL_MEM_READ_WRITE, size * sizeof(cl_uint), nil, ret);
if ret<>CL_SUCCESS then writeln('clCreateBuffer1 Error ',ret);
memobj2 := clCreateBuffer(context, CL_MEM_READ_WRITE, size * sizeof(cl_uint), nil, ret);
if ret<>CL_SUCCESS then writeln('clCreateBuffer2 Error ',ret);
memobj3 := clCreateBuffer(context, CL_MEM_READ_WRITE, 256*1024 * sizeof(cl_uint), nil, ret);
if ret<>CL_SUCCESS then writeln('clCreateBuffer3 Error ',ret);
QueryPerformanceFrequency(iCounterPerSec);//определили частоту счётчика
QueryPerformanceCounter(T3); //засекли время начала операции
QueryPerformanceFrequency(iCounterPerSec);//определили частоту счётчика
QueryPerformanceCounter(T1); //засекли время начала операции
// Записываем данные в буфер
ret := clEnqueueWriteBuffer(command_queue, memobj1, CL_TRUE, 0, size * sizeof(cl_int), @mem[0], 0, nil, nil);
if ret<>CL_SUCCESS then writeln('clEnqueueWriteBuffer Error ',ret);
QueryPerformanceCounter(T2);//засекли время окончания
Writeln('write: '+FormatFloat('0.0000', (T2 - T1)/iCounterPerSec) + ' second.');//вывели количество секунд на выполнение операции
for step:=0 to 3 do
begin
//-------------------------------------------------------------
QueryPerformanceFrequency(iCounterPerSec);//определили частоту счётчика
QueryPerformanceCounter(T1); //засекли время начала операции
//-------------------------------------------------------------
// 1 ШАГ
ret:= clSetKernelArg(kernel1, 0, sizeof(cl_mem), @memobj1 );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_1_1 Error ',ret);
ret:= clSetKernelArg(kernel1, 1, sizeof(cl_mem), @memobj3 );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_1_2 Error ',ret);
j := step*8;
ret:= clSetKernelArg(kernel1, 2, sizeof(j), @j );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_1_3 Error ',ret);
j := size div (1024);
ret:= clSetKernelArg(kernel1, 3, sizeof(j), @j );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_1_4 Error ',ret);
i := (1024);
ret:= clEnqueueNDRangeKernel(command_queue, kernel1, 1, nil, @i, nil, 0, nil, nil);
if ret<>CL_SUCCESS then writeln('clEnqueueNDRangeKernel_1 Error ',ret);
//-------------------------------------------------------------
clFinish(command_queue); // Ожидаем завершения всех команд в очереди
QueryPerformanceCounter(T2);//засекли время окончания
Write('Run'+Inttostr(step+1)+': '+FormatFloat('0.0000', (T2 - T1)/iCounterPerSec) + ' second.');//вывели количество секунд на выполнение операции
QueryPerformanceFrequency(iCounterPerSec);//определили частоту счётчика
QueryPerformanceCounter(T1); //засекли время начала операции
//-------------------------------------------------------------
// 2 ШАГ
ret:= clSetKernelArg(kernel2, 0, sizeof(cl_mem), @memobj3 );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_2_1 Error ',ret);
j := 256;
ret:= clEnqueueNDRangeKernel(command_queue, kernel2, 1, nil, @j, @j, 0, nil, nil);
if ret<>CL_SUCCESS then writeln('clEnqueueNDRangeKernel_2 Error ',ret);
//-------------------------------------------------------------
clFinish(command_queue); // Ожидаем завершения всех команд в очереди
QueryPerformanceCounter(T2);//засекли время окончания
Write(' '+FormatFloat('0.0000', (T2 - T1)/iCounterPerSec) + ' second.');//вывели количество секунд на выполнение операции
QueryPerformanceFrequency(iCounterPerSec);//определили частоту счётчика
QueryPerformanceCounter(T1); //засекли время начала операции
//-------------------------------------------------------------
// 3 ШАГ
ret:= clSetKernelArg(kernel3, 0, sizeof(cl_mem), @memobj1 );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_3_1 Error ',ret);
ret:= clSetKernelArg(kernel3, 1, sizeof(cl_mem), @memobj2 );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_3_2 Error ',ret);
ret:= clSetKernelArg(kernel3, 2, sizeof(cl_mem), @memobj3 );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_3_3 Error ',ret);
j:=step*8;
ret:= clSetKernelArg(kernel3, 3, sizeof(j), @j );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_3_4 Error ',ret);
j := size div (1024);
ret:= clSetKernelArg(kernel3, 4, sizeof(j), @j );
if ret<>CL_SUCCESS then writeln('clSetKernelArg_3_5 Error ',ret);
i := (1024); // глобально ядер
ret:= clEnqueueNDRangeKernel(command_queue, kernel3, 1, nil, @i, nil, 0, nil, nil);
if ret<>CL_SUCCESS then writeln('clEnqueueNDRangeKernel_3 Error ',ret);
clFinish(command_queue);
// Меняем местами указатели на массивы после каждого шага
// Результат останется в memobj1
exchange_memobj(memobj2, memobj1);
//-------------------------------------------------------------
clFinish(command_queue); // Ожидаем завершения всех команд в очереди
QueryPerformanceCounter(T2);//засекли время окончания
Writeln(' '+FormatFloat('0.0000', (T2 - T1)/iCounterPerSec) + ' second.');//вывели количество секунд на выполнение операции
//-------------------------------------------------------------
end;
QueryPerformanceFrequency(iCounterPerSec);//определили частоту счётчика
QueryPerformanceCounter(T1); //засекли время начала операции
// Считываем данные из буфера
ret:= clEnqueueReadBuffer(command_queue, memobj1, CL_TRUE, 0, size * sizeof(cl_int), @mem[0], 0, nil, nil);
if ret<>CL_SUCCESS then writeln('clEnqueueReadBuffer Error ',ret);
QueryPerformanceCounter(T2);//засекли время окончания
Writeln('Read: '+FormatFloat('0.0000', (T2 - T1)/iCounterPerSec) + ' second.');//вывели количество секунд на выполнение операции
QueryPerformanceCounter(T4);//засекли время окончания
Writeln('ALL: '+FormatFloat('0.0000', (T4 - T3)/iCounterPerSec) + ' second.');//вывели количество секунд на выполнение операции
// Освобождаем ресурсы
clReleaseMemObject(memobj1); // Высвобождаем память буфера
clReleaseMemObject(memobj2); // Высвобождаем память буфера
clReleaseMemObject(memobj3); // Высвобождаем память буфера
clReleaseKernel(kernel1); // Высвобождаем объект исполнения
clReleaseKernel(kernel2); // Высвобождаем объект исполнения
clReleaseKernel(kernel3); // Высвобождаем объект исполнения
clReleaseCommandQueue(command_queue); // Высвобождаем очередь
clReleaseContext(context); // Высвобождаем контекст устройства
//-------------------------------------------------------------
SetLength(mem, 0);
readln;
end.
Здесь можно увеличивать число глобальных ядер и это даёт некоторый эффект
Radix sort — выжать всё