これは私の最初の質問です。私は、openMP で C の 2d haar 変換関数を並列化しようとしています。ここで取得し、それに応じて変更しました。このプログラムは白黒画像を取得し、それを行列に入れ、haar ウェーブレット変換の 1 つのレベルを計算します。最後に、値を正規化し、変換されたイメージをディスクに書き込みます。
これはHDTの結果のイメージ1 レベルです。
私の問題は、並列化されたバージョンがシリアル バージョンよりもかなり遅く実行されることです。今のところ、並列化したい主要部分のスニペットをここに添付します (後で、周囲のすべてのコードを配置できます)。
void haar_2d ( int m, int n, double u[] )
// m & n are the dimentions (every image is a perfect square)
//u is the input array in **(non column-major!)** row-major order</del>
int i;
int j;
int k;
double s;
double *v;
int tid, nthreads, chunk;
s = sqrt ( 2.0 );
v = ( double * ) malloc ( m * n * sizeof ( double ) );
for ( j = 0; j < n; j++ )
{
for ( i = 0; i < m; i++ )
{
v[i+j*m] = u[i+j*m];
}
}
/*
Determine K, the largest power of 2 such that K <= M.
*/
k = 1;
while ( k * 2 <= m )
{
k = k * 2;
}
/* Transform all columns. */
while ( n/2 < k ) // just 1 level of transformation
{
k = k / 2;
clock_t begin = clock();
#pragma omp parallel shared(s,v,u,n,m,nthreads,chunk) private(i,j,tid)
{
tid = omp_get_thread_num();
printf("Thread %d starting...\n",tid);
#pragma omp for schedule (dynamic)
for ( j = 0; j < n; j++ )
{
for ( i = 0; i < k; i++ )
{
v[i +j*m] = ( u[2*i+j*m] + u[2*i+1+j*m] ) / s;
v[k+i+j*m] = ( u[2*i+j*m] - u[2*i+1+j*m] ) / s;
}
}
#pragma omp for schedule (dynamic)
for ( j = 0; j < n; j++ )
{
for ( i = 0; i < 2 * k; i++ )
{
u[i+j*m] = v[i+j*m];
}
}
}//end parallel
clock_t end = clock();
double time_spent = (double)(end - begin) / CLOCKS_PER_SEC;
printf ( "Time for COLUMNS: %f ms\n", time_spent * 1000);
}//end while
// [...]code for rows
free ( v );
return;}
タイミングは多かれ少なかれ次のとおりです。
Time for COLUMNS: 160.519000 ms // parallel
Time for COLUMNS: 62.842000 ms // serial
プラグマをさまざまな方法で再配置しようとしました。たとえば、静的スケジュール、セクション、タスクなどを使用して、変数のデータ スコープを再配置し、並列領域内で動的に割り当てます。2 レベルの for を並列化するのは簡単だと思っていましたが、苦労して 2 日が経過しました。あなたの助けを求めて、ここで関連するすべての質問をすでにチェックアウトしましたが、まだ先に進むことができないか、少なくとも理由を理解することができません. 前もって感謝します。(CPU Intel Core i3-4005U CPU @ 1.70GHz × 4 スレッド、2 コア)
アップデート：
1）m＆nについては、いつか長方形の画像も実装することになっているので、そのままにしておきました。
2) u は実際には行ごとに線形化された行列を含む通常の配列であることがわかりました (私は PGM 画像を使用しています)。
3) memcpy の方が優れたオプションであるため、現在は memcpy を使用しています。
主なトピックについてはどうですか。チャンクごとにタスクを生成することにより、ジョブをn個に分割しようとしましたが、結果はシリアルコードより少し高速です。これで、入力行列 u が適切な行優先順序になっていることがわかりました。2 つの fors はそれに応じて進行しているように見えますが、タイミングについてはわかりません: omp_get_wtime() と clock() の両方を使用する方法がわかりませんスピードアップを測定します。16x16 から 4096x4096 までのさまざまな画像サイズでテストを行いましたが、並列バージョンは clock() で遅くなり、omp_get_wtime() と gettimeofday() で速くなるようです。OpenMPで正しく処理する方法、または少なくともスピードアップを正しく測定する方法についていくつか提案がありますか?
while ( n/2 < k )
{
k = k / 2;
double start_time = omp_get_wtime();
// clock_t begin = clock();
#pragma omp parallel shared(s,v,u,n,m,nthreads,chunk) private(i,j,tid) firstprivate(k)
{
nthreads = omp_get_num_threads();
#pragma omp single
{
printf("Number of threads = %d\n", nthreads);
int chunk = n/nthreads;
printf("Chunks size = %d\n", chunk);
printf("Thread %d is starting the tasks.\n", omp_get_thread_num());
int h;
for(h=0;h<n;h = h + chunk){
printf("FOR CYCLE i=%d\n", h);
#pragma omp task shared(s,v,u,n,m,nthreads,chunk) private(i,j,tid) firstprivate(h,k)
{
tid = omp_get_thread_num();
printf("Thread %d starts at %d position\n", tid , h);
for ( j = h; j < h + chunk; j++ )
{
for ( i = 0; i < k; i++ )
{
v[i +j*m] = ( u[2*i+j*m] + u[2*i+1+j*m] ) / s;
v[k+i+j*m] = ( u[2*i+j*m] - u[2*i+1+j*m] ) / s;
}
}
}// end task
}//end launching for
#pragma omp taskwait
}//end single
}//end parallel region
// clock_t end = clock();
// double time_spent = (double)(end - begin) / CLOCKS_PER_SEC;
// printf ( "COLUMNS: %f ms\n", time_spent * 1000);
double time = omp_get_wtime() - start_time;
printf ( "COLUMNS: %f ms\n", time*1000);
for ( j = 0; j < n; j++ )
{
for ( i = 0; i < 2 * k; i++ )
{
u[i+j*m] = v[i+j*m];
}
}
}//end while