[并行计算]Matlab并行计算工具箱(Parallel Computing Toolbox)官方文档教程中文版(6)

 

Arranged By Zhonglihao @ 2018

**请确认Matlab安装时点选了并行计算工具箱

改善parfor的性能

Matlab中parfor的性能受到很多因素的影响，包括：

·  数组的大小

·  创建数组的时间

·  核心处理数组所有部分的时间

·  循环次数的大小

 

当数组很大的时候，我们可以创建parallel.pool.Constant字段来加速数组传入到核心的速度，提高代码的效率

Code #6-1
1.D = rand(1e7, 1);  
2.tic  
3.for i = 1:20  
4. 		a = 0;  
5.  	parfor j = 1:60  
6.  		a = a + sum(D);  
7.  	end  
8.end  
9.toc  
10.
11.tic  
12.D = parallel.pool.Constant(D);  
13.for i = 1:20  
14.  	b = 0;  
15.  	parfor j = 1:60  
16.   		b = b + sum(D.Value);  
17.   	end  
18.end  
19.toc  

代码片#6-1中对大数组D进行了并行操作，然而，在没声明parallel.pool.Constant之前的时间为47秒左右，声明后解释器对每个核心均分配了数组D，这样做的结果显而易见，就是速度提升了比2倍还要快，是因为没声明前2个核心均需要读取数组D。

数组的切片

Code #6-2-1
1.% Sliced version  
2.  
3.M = 100;  
4.N = 1e6;  
5.data = rand(M, N);  
6.  
7.tic  
8.parfor idx = 1:M  
9.    out2(idx) = sum(data(idx, :)) ./ N;  
10.end  
11.toc  

Code #6-2-2
1.% Accidentally non-sliced version  
2.  
3.clear  
4.  
5.M = 100;  
6.N = 1e6;  
7.data = rand(M, N);  
8.  
9.tic  
10.parfor idx = 1:M  
11.    out2(idx) = sum(data(idx, :)) ./ size(data, 2);  
12.end  
13.toc  

观察上面代码#6-2-1和#6-2-2的区别，在于除数是否使用一个常数N和实时计算数组data的列数大小的区别，若对data使用size，则并行过程中多个核心会同时访问数组data，造成性能的下降，推荐的做法就是先计算好常量或是可以并行的切片计算。