通過上一篇中,知道了基本的MPI編寫並行程序,最後的例子中,讓使用0號進程做全局的求和的所有工作,而其他的進程卻都不工作,這種方式也許是某種特定情況下的方案,但明顯不是最好的方案。舉個例子,如果我們讓偶數號的進程負責收集求和的工作,情況會怎麼樣?如下圖:
對比之前的圖發現,總的工作量與之前的一樣,但是發現新方案中0號進程只做了3次接收和3次加法(之前的7次接收和7次加法),如果進程都是同時啓動的,那麼全局求和時間將是0號進程的接收時間和求和時間,即需要的總時間比原來方案的總時間減少了50%多。如果是進程數=1024的話,則原方案需要0號進程執行1023次接收和求和,而新方案只要0號進程10次接收和求和操作。這樣的話就能將原方案的性能提高100倍!!既然改變進程之間的接收和發送方式能提高性能,這就涉及進程集合之間的集合通信了,而這些進程集合之間的通信,MPI都已經苦逼的程序員都封裝好了,使得程序員能擺脫有無之境的程序優化,而將精力集中解決程序業務上面。首先還是將之前的求積分函數的例子改造一下:
int main(int argc, char* argv[]) { int my_rank = 0, comm_sz = 0, n = 1024, local_n = 0; double a = 0.0, b = 3.0, h = 0, local_a = 0, local_b = 0; double local_double = 0, total_int = 0; int source; MPI_Init(&argc, &argv); MPI_Comm_rank(MPI_COMM_WORLD, &my_rank); MPI_Comm_size(MPI_COMM_WORLD, &comm_sz); h = (b - a) / n; /* h is the same for all processes */ local_n = n / comm_sz; /* So is the number of trapezoids */ local_a = a + my_rank*local_n*h; local_b = local_a + local_n*h; local_double = Trap(local_a, local_b, local_n, h); MPI_Reduce(&local_double, &total_int, 1, MPI_DOUBLE, MPI_SUM, 0, MPI_COMM_WORLD); if (my_rank == 0) { printf("With n = %d trapezoids, our estimate\n", n); printf("of the integral from %f to %f = %.15e\n", a, b, total_int); } MPI_Finalize(); return 0; }
注意在這段代碼中,我們不再使用MPI_Send和MPI_Recv這樣的通信函數,而是使用了一個MPI_Reduce函數,通過編譯執行
同樣能得到結果。各位看官不僅要問,代碼中的MPI_Reduce函數是個什麼東西呢?如何使用?要回答這些問題,就需要繼續往下深入的學習集合通信的概念。
1.集合通訊
在MPI中,涉及所有的進程的通信函數我們稱之爲集合通信(collective communication)。而單個進程對單個進程的通信,類似於MPI_Send和MPI_Recv這樣的通信函數,我們稱之爲點對點通信(point-to-point communication)。進程間的通信關係可以用如下圖的關係來表示:
(1)1對1;
(2)1對部分
(3)1對全部
(4)部分對1
(5)部分對部分
(6)部分對全部
(7)全部對1
(8)全部對部分
(9)全部對全部
那既然區分了集合通信與點對點通信,它們之間的各自有什麼不同呢?集合通信具有以下特點:
(1)、在通信子中的所有進程都必須調用相同的集合通信函數。
(2)、每個進程傳遞給MPI集合通信函數的參數必須是“相容的”。
(3)、點對點通信函數是通過標籤和通信子來匹配的。而通信函數不實用標籤,只是通過通信子和調用的順序來進行匹配。
下表彙總了MPI中的集合通信函數:
1.1 歸約
數據歸約的基本功能是從每個進程收集數據,把這些數據歸約成單個值,把歸約成的值存儲到根進程中。具體例子類似於單科老師(數學老師)收試卷,每個學生都把考試完的數學試卷交給老師,由老師來進行操作(求最大值、求總和等)。如圖所示:
MPI_Reduce函數:
int MPI_Reduce (void *sendbuf, void *recvbuf, int count,MPI_Datatype datatype, MPI_Op op, int root,MPI_Comm comm)
在這個函數中,最關鍵的參數是第5個參數MPI_Op op,它表示MPI歸於中的操作符,我們上面的例子就是用的求累加和的歸約操作符。具體的歸約操作符如下表:
運算操作符 |
描述 |
運算操作符 |
描述 |
MPI_MAX |
最大值 |
MPI_LOR |
邏輯或 |
MPI_MIN |
最小值 |
MPI_BOR |
位或 |
MPI_SUM |
求和 |
MPI_LXOR |
邏輯異或 |
MPI_PROD |
求積 |
MPI_BXOR |
位異或 |
MPI_LAND |
邏輯與 |
MPI_MINLOC |
計算一個全局最小值和附到這個最小值上的索引--可以用來決定包含最小值的進程的秩 |
MPI_BAND |
位與 |
MPI_MAXLOC |
計算一個全局最大值和附到這個最大值上的索引--可以用來決定包含最小值的進程的秩 |
除MPI_Reduce函數之外,數據歸約還有如下一些變種函數:
MPI_Allreduce函數
int MPI_Allreduce (void *sendbuf, void *recvbuf, int count,MPI_Datatype datatype, MPI_Op op,MPI_Comm comm)
此函數在得到歸約結果值之後,將結果值分發給每一個進程,這樣的話,並行中的所有進程值都能知道結果值了。類似的求和計算結果的發佈圖如下:
MPI_Reduce_scatter函數
int MPI_Reduce_scatter (void *sendbuf, void *recvbuf,int *recvcnts,MPI_Datatype datatype, MPI_Op op,MPI_Comm comm)
歸約散發。該函數的作用相當於首先進行一次歸約操作,然後再對歸約結果進行散發操作。
MPI_Scan函數
int MPI_Scan (void *sendbuf, void *recvbuf, int count,MPI_Datatype datatype, MPI_Op op,MPI_Comm comm)
前綴歸約(或掃描歸約)。與普通全歸約MPI_Allreduce類似,但各進程依次得到部分歸約的結果。
1.2 數據移動-廣播
在一個集合通信中,如果屬於一個進程的數據被髮送到通信子中的所有進程,這樣的集合通信就叫做廣播。如圖所示:
MPI_Bcast函數:
int MPI_Bcast (void *buffer, int count,MPI_Datatype datatype, int root,MPI_Comm comm)
通信器comm中進程號爲root的進程(稱爲根進程) 將自己buffer中的內容發送給通信器中所有其他進程。參數buffer、count和datatype的含義與點對點通信函數(如MPI_Send和MPI_Recv)相同。
下面我們編寫一個具體的例子:
void blog3::TestForMPI_Bcast(int argc, char* argv[]) { int rankID, totalNumTasks; MPI_Init(&argc, &argv); MPI_Barrier(MPI_COMM_WORLD); double elapsed_time = -MPI_Wtime(); MPI_Comm_rank(MPI_COMM_WORLD, &rankID); MPI_Comm_size(MPI_COMM_WORLD, &totalNumTasks); int sendRecvBuf[3] = { 0, 0, 0 }; if (!rankID) { sendRecvBuf[0] = 3; sendRecvBuf[1] = 6; sendRecvBuf[2] = 9; } int count = 3; int root = 0; MPI_Bcast(sendRecvBuf, count, MPI_INT, root, MPI_COMM_WORLD); //MPI_Bcast can be seen from all processes printf("my rankID = %d, sendRecvBuf = {%d, %d, %d}\n", rankID, sendRecvBuf[0], sendRecvBuf[1], sendRecvBuf[2]); elapsed_time += MPI_Wtime(); if (!rankID) { printf("total elapsed time = %10.6f\n", elapsed_time); } MPI_Finalize(); } int main(int argc, char* argv[]) { blog3 test; test.TestForMPI_Bcast(argc, argv); }
結果爲:
1.3 數據移動-散射
在進行數值計算軟件開發的過程中,經常碰到兩個向量的加法運算,例如每個向量有1萬個分量,如果有10個進程,那麼就可以簡單的將local_n個向量分量所構成的塊分配到每個進程中去,至於怎麼分塊,這裏有一些方法(塊劃分法、循環劃分法、塊-循環劃分法),這種將數據分塊發送給各個進程進行並行計算的方法稱之爲散射。
MPI_Scatter函數:
int MPI_Scatter (void *sendbuf, int sendcnt,MPI_Datatype sendtype, void *recvbuf,int recvcnt, MPI_Datatype recvtype,int root, MPI_Comm comm)
散發相同長度數據塊。根進程root將自己的sendbuf中的np個連續存放的數據塊按進程號的順序依次分發到comm的各個進程(包括根進程自己) 的recvbuf中,這裏np代表comm中的進程數。sendcnt和sendtype 給出sendbuf中每個數據塊的大小和類型,recvcnt和recvtype給出recvbuf的大小和類型,其中參數sendbuf、sendcnt 和sendtype僅對根進程有意義。需要特別注意的是,在根進程中,參數sendcnt指分別發送給每個進程的數據長度,而不是發送給所有進程的數據長度之和。因此,當recvtype等於sendtype時,recvcnt應該等於sendcnt。
MPI_Scatterv函數:
int MPI_Scatterv (void *sendbuf, int *sendcnts,int *displs, MPI_Datatype sendtype,void *recvbuf, int recvcnt,MPI_Datatype recvtype, int root,MPI_Comm comm)
散發不同長度的數據塊。與MPI_Scatter類似,但允許sendbuf中每個數據塊的長度不同並且可以按任意的順序排放。sendbuf、sendtype、sendcnts和displs僅對根進程有意義。數組sendcnts和displs的元素個數等於comm中的進程數,它們分別給出發送給每個進程的數據長度和位移,均以sendtype爲單位。
下面我們來看一個例子:
void blog3::TestForMPI_Scatter(int argc, char* argv[]) { int totalNumTasks, rankID; float sendBuf[SIZE][SIZE] = { { 1.0, 2.0, 3.0, 4.0 }, { 5.0, 6.0, 7.0, 8.0 }, { 9.0, 10.0, 11.0, 12.0 }, { 13.0, 14.0, 15.0, 16.0 } }; MPI_Init(&argc, &argv); MPI_Comm_rank(MPI_COMM_WORLD, &rankID); MPI_Comm_size(MPI_COMM_WORLD, &totalNumTasks); if (totalNumTasks == SIZE) { int source = 0; int sendCount = SIZE; int recvCount = SIZE; float recvBuf[SIZE]; //scatter data from source process to all processes in MPI_COMM_WORLD MPI_Scatter(sendBuf, sendCount, MPI_FLOAT, recvBuf, recvCount, MPI_FLOAT, source, MPI_COMM_WORLD); printf("my rankID = %d, receive Results: %f %f %f %f, total = %f\n", rankID, recvBuf[0], recvBuf[1], recvBuf[2], recvBuf[3], recvBuf[0] + recvBuf[1] + recvBuf[2] + recvBuf[3]); } else if (totalNumTasks == 8) { int source = 0; int sendCount = 2; int recvCount = 2; float recvBuf[2]; MPI_Scatter(sendBuf, sendCount, MPI_FLOAT, recvBuf, recvCount, MPI_FLOAT, source, MPI_COMM_WORLD); printf("my rankID = %d, receive result: %f %f, total = %f\n", rankID, recvBuf[0], recvBuf[1], recvBuf[0] + recvBuf[1]); } else { printf("Please specify -n %d or -n %d\n", SIZE, 2 * SIZE); } MPI_Finalize(); } int main(int argc, char* argv[]) { blog3 test; test.TestForMPI_Scatter(argc, argv); return 0; }
其結果爲:
1.4 數據移動-聚集
MPI_Gather函數:
int MPI_Gather (void *sendbuf, int sendcnt,MPI_Datatype sendtype, void *recvbuf,int recvcnt, MPI_Datatype recvtype,int root, MPI_Comm comm)
收集相同長度的數據塊。以root爲根進程,所有進程(包括根進程自己) 將sendbuf中的數據塊發送給根進程,根進程將這些數據塊按進程號的順序依次放到recvbuf中。發送和接收的數據類型與長度必須相配,即發送和接收使用的數據類型必須具有相同的類型序列。參數recvbuf,recvcnt 和recvtype僅對根進程有意義。需要特別注意的是,在根進程中,參數recvcnt指分別從每個進程接收的數據長度,而不是從所有進程接收的數據長度之和。因此,當sendtype等於recvtype時,sendcnt應該等於recvcnt。
MPI_Allgather函數:
int MPI_Allgather (void *sendbuf, int sendcnt,MPI_Datatype sendtype, void *recvbuf,int recvcnt, MPI_Datatype recvtype,MPI_Comm comm)
MPI_Allgather與MPI_Gather類似,區別是所有進程同時將數據收集到recvbuf中,因此稱爲數據全收集。MPI_Allgather相當於依次以comm中的每個進程爲根進程調用普通數據收集函數MPI_Gather,或者以任一進程爲根進程調用一次普通收集,緊接着再對收集到的數據進行一次廣播。
MPI_Gatherv函數:
int MPI_Gatherv (void *sendbuf, int sendcnt,MPI_Datatype sendtype, void *recvbuf,int *recvcnts, int *displs,MPI_Datatype recvtype, int root,MPI_Comm comm)
收集不同長度的數據塊。與MPI_Gather類似,但允許每個進程發送的數據塊長度不同,並且根進程可以任意排放數據塊在recvbuf中的位置。recvbuf,recvtype,recvcnts和displs僅對根進程有意義。數組recvcnts和displs的元素個數等於進程數,用於指定從每個進程接收的數據塊長度和它們在recvbuf中的位移,均以recvtype爲單位。
MPI_Allgatherv函數:
int MPI_Allgatherv (void *sendbuf, int sendcnt,MPI_Datatype sendtype, void *recvbuf,int *recvcnts, int *displs,MPI_Datatype recvtype, MPI_Comm comm)
不同長度數據塊的全收集。參數與MPI_Gatherv類似。它等價於依次以comm中的每個進程爲根進程調用MPI_Gatherv,或是以任一進程爲根進程調用一次普通收集,緊接着再對收集到的數據進行一次廣播。
例子:
void blog3::TestForMPI_Gather(int argc, char* argv[]) { int rankID, totalNumTasks; MPI_Init(&argc, &argv); MPI_Barrier(MPI_COMM_WORLD); double elapsed_time = -MPI_Wtime(); MPI_Comm_rank(MPI_COMM_WORLD, &rankID); MPI_Comm_size(MPI_COMM_WORLD, &totalNumTasks); int* gatherBuf = (int *)malloc(sizeof(int) * totalNumTasks); if (gatherBuf == NULL) { printf("malloc error!"); exit(-1); MPI_Finalize(); } int sendBuf = rankID; //for each process, its rankID will be sent out int sendCount = 1; int recvCount = 1; int root = 0; MPI_Gather(&sendBuf, sendCount, MPI_INT, gatherBuf, recvCount, MPI_INT, root, MPI_COMM_WORLD); elapsed_time += MPI_Wtime(); if (!rankID) { int i; for (i = 0; i < totalNumTasks; i++) { printf("gatherBuf[%d] = %d, ", i, gatherBuf[i]); } putchar('\n'); printf("total elapsed time = %10.6f\n", elapsed_time); } MPI_Finalize(); } int main(int argc, char* argv[]) { blog3 test; test.TestForMPI_Gather(argc, argv); return 0; }
結果爲:
1.5 數據移動-其它
MPI_Alltoall函數:
int MPI_Alltoall (void *sendbuf, int sendcnt,MPI_Datatype sendtype, void *recvbuf,int recvcnt, MPI_Datatype recvtype,MPI_Comm comm)
相同長度數據塊的全收集散發:進程i將sendbuf中的第j塊數據發送到進程j的recvbuf中的第i個位置,i, j =0, . . . , np-1 (np代表comm 中的進程數)。sendbuf 和recvbuf 均由np個連續的數據塊構成,每個數據塊的長度/類型分別爲sendcnt/sendtype和recvcnt/recvtype。該操作相當於將數據在進程間進行一次轉置。例如,假設一個二維數組按行分塊存儲在各進程中,則調用該函數可很容易地將它變成按列分塊存儲在各進程中。
MPI_Alltoallv函數:
int MPI_Alltoallv (void *sendbuf, int *sendcnts,int *sdispls, MPI_Datatype sendtype,void *recvbuf, int *recvcnts,int *rdispls, MPI_Datatype recvtype,MPI_Comm comm)
2.MPI程序的性能評估
我們使得程序並行化,就是希望解決相同問題的時候,並行程序比串行程序運行的快一些,那如何去評判這個“快”呢?
假如有如下面這樣一個矩陣-向量乘法程序
分別用不同的comm_sz運行,其計時結果如下:
從上表中可以看出,對於值很大的n來說,進程數加倍大約能減少一半的運行時間。然而,對於值很小的n,增大comm_sz獲得的效果就不是很明顯,例如:n=1024的時候,進程數從8增加到16後,運行時間沒有出現變化。這種現象的原因是:並行程序還有進程之間通信會有額外的開銷。一般定義並行程序的時間爲:
當n值較小,p值較大時,公式中的T開銷就起主導作用了。這裏的T開銷一般來之通信。
加速比:用來衡量串行運算和並行運算時間之間的關係,表示串行時間與並行時間的比值。
S(n,p)最理性的結果是p。S(n,p)=p,說明擁有p個進程的並行程序能運行的比串行程序快p倍。這種就成爲線性加速比。但這種情況很少。
效率:它其實是“每個進程”的加速比。
線性加速比相當於並行效率p/p=1,通常都比1小。
並行矩陣-向量乘法的加速比 並行矩陣-向量乘法的效率
最後強調:在p較小,n較大的情況下,有近似線性的效率,相反,在p較大而n較小的情況下,遠遠達不到線性效率。
至此,MPI的基本知識就這些了,具體就涉及到怎麼將串行程序改變算法,改成並行的了。
MPI參考手冊:鏈接:http://pan.baidu.com/s/1o8Op1Qa 密碼:vubm