我在思考如何最好地测量并行程序的性能(以flops为单位)。我了解了papi_flops,但这似乎仅适用于串行程序。但我不知道如何测量并行程序的整体性能。
我想要衡量blas/lapack函数的性能,例如我的例子gemm。但我也想要衡量其他函数的性能,特别是那些操作数量未知的函数。(对于gemm,已知操作数(ops(gemm) = 2*n^3),因此我可以根据操作数和执行时间计算性能。)库(我使用的是Intel MKL)会自动生成线程,因此我无法单独测量每个线程的性能然后将其降低。
以下是我的示例:
这是一个输出结果(对于矩阵大小为200):
我们可以看到执行时间中,gemm函数是可拓展的。但我所测量的flops仅是线程0的表现。
我的问题是:如何衡量整体性能?非常感谢您的任何建议。
我想要衡量blas/lapack函数的性能,例如我的例子gemm。但我也想要衡量其他函数的性能,特别是那些操作数量未知的函数。(对于gemm,已知操作数(ops(gemm) = 2*n^3),因此我可以根据操作数和执行时间计算性能。)库(我使用的是Intel MKL)会自动生成线程,因此我无法单独测量每个线程的性能然后将其降低。
以下是我的示例:
#include <stdlib.h>
#include <stdio.h>
#include <string.h>
#include "mkl.h"
#include "omp.h"
#include "papi.h"
int main(int argc, char *argv[] )
{
int i, j, l, k, n, m, idx, iter;
int mat, mat_min, mat_max;
int threads;
double *A, *B, *C;
double alpha =1.0, beta=0.0;
float rtime1, rtime2, ptime1, ptime2, mflops;
long long flpops;
#pragma omp parallel
{
#pragma omp master
threads = omp_get_num_threads();
}
if(argc < 4){
printf("pass me 3 arguments!\n");
return( -1 );
}
else
{
mat_min = atoi(argv[1]);
mat_max = atoi(argv[2]);
iter = atoi(argv[3]);
}
m = mat_max; n = mat_max; k = mat_max;
printf (" Initializing data for matrix multiplication C=A*B for matrix \n"
" A(%ix%i) and matrix B(%ix%i)\n\n", m, k, k, n);
A = (double *) malloc( m*k * sizeof(double) );
B = (double *) malloc( k*n * sizeof(double) );
C = (double *) malloc( m*n * sizeof(double) );
printf (" Intializing matrix data \n\n");
for (i = 0; i < (m*k); i++)
A[i] = (double)(i+1);
for (i = 0; i < (k*n); i++)
B[i] = (double)(-i-1);
memset(C,0,m*n*sizeof(double));
// actual meassurment
for(mat=mat_min;mat<=mat_max;mat+=5)
{
m = mat; n = mat; k = mat;
for( idx=-1; idx<iter; idx++ ){
PAPI_flops( &rtime1, &ptime1, &flpops, &mflops );
cblas_dgemm(CblasColMajor, CblasNoTrans, CblasNoTrans,
m, n, k, alpha, A, k, B, n, beta, C, n);
PAPI_flops( &rtime2, &ptime2, &flpops, &mflops );
}
printf("%d threads: %d in %f sec, %f MFLOPS\n",threads,mat,rtime2-rtime1,mflops);fflush(stdout);
}
printf("Done\n");fflush(stdout);
free(A);
free(B);
free(C);
return 0;
}
这是一个输出结果(对于矩阵大小为200):
1 threads: 200 in 0.001459 sec, 5570.258789 MFLOPS
2 threads: 200 in 0.000785 sec, 5254.993652 MFLOPS
4 threads: 200 in 0.000423 sec, 4919.640137 MFLOPS
8 threads: 200 in 0.000264 sec, 3894.036865 MFLOPS
我们可以看到执行时间中,gemm函数是可拓展的。但我所测量的flops仅是线程0的表现。
我的问题是:如何衡量整体性能?非常感谢您的任何建议。