即使num_threads（1），openmp的性能改善也无法理解

Question

以下代码行

int nrows = 4096;
int ncols = 4096;
size_t numel = nrows * ncols;
unsigned char *buff = (unsigned char *) malloc( numel );

unsigned char *pbuff = buff;
#pragma omp parallel for schedule(static), firstprivate(pbuff, nrows, ncols), num_threads(1)
for (int i=0; i<nrows; i++)
{
    for (int j=0; j<ncols; j++)
    {
        *pbuff += 1;
        pbuff++;
    }
}

编译时需要11130个usecs在我的i5-3230M上运行

g++ -o main main.cpp -std=c++0x -O3

也就是说，当openmp编译指示被忽略时。

另一方面，使用

g++ -o main main.cpp -std=c++0x -O3 -fopenmp

这快了6倍以上，考虑到它是在2核计算机上运行的，这非常令人惊讶。 实际上，我也用num_threads（1）对其进行了测试，并且性能提升仍然非常重要（快3倍以上）。

有人可以帮助我了解这种行为吗？

编辑：按照建议，我提供完整的代码：

#include <stdlib.h>
#include <iostream>

#include <chrono>
#include <cassert>


int nrows = 4096;
int ncols = 4096;
size_t numel = nrows * ncols;
unsigned char * buff;


void func()
{
    unsigned char *pbuff = buff;
    #pragma omp parallel for schedule(static), firstprivate(pbuff, nrows, ncols), num_threads(1)
    for (int i=0; i<nrows; i++)
    {
        for (int j=0; j<ncols; j++)
        {
            *pbuff += 1;
            pbuff++;
        }
    }
}


int main()
{
    // alloc & initializacion
    buff = (unsigned char *) malloc( numel );
    assert(buff != NULL);
    for(int k=0; k<numel; k++)
        buff[k] = 0;

    //
    std::chrono::high_resolution_clock::time_point begin;
    std::chrono::high_resolution_clock::time_point end;
    begin = std::chrono::high_resolution_clock::now();      
    //
    for(int k=0; k<100; k++)
        func();
    //
    end = std::chrono::high_resolution_clock::now();
    auto usec = std::chrono::duration_cast<std::chrono::microseconds>(end-begin).count();
    std::cout << "func average running time: " << usec/100 << " usecs" << std::endl;

    return 0;
}

Answer 1

事实证明，答案是firstprivate(pbuff, nrows, ncols)有效地将pbuff ， nrows和ncols声明为for循环范围内的局部变量。 反过来，这意味着编译器可以将nrows和ncols视为常量-它不能对全局变量做出相同的假设！

因此，使用-fopenmp会导致巨大的加速，因为您不必每次迭代都访问全局变量 。 （此外，使用恒定的ncols值，编译器可以进行一些循环展开）。

通过改变

int nrows = 4096;
int ncols = 4096;

至

const int nrows = 4096;
const int ncols = 4096;

或通过更改

for (int i=0; i<nrows; i++)
{
    for (int j=0; j<ncols; j++)
    {
        *pbuff += 1;
        pbuff++;
    }
}

至

int _nrows = nrows;
int _ncols = ncols;
for (int i=0; i<_nrows; i++)
{
    for (int j=0; j<_ncols; j++)
    {
        *pbuff += 1;
        pbuff++;
    }
}

异常加速消失-非OpenMP代码现在与OpenMP代码一样快。

这个故事的主旨？ 避免在性能关键的循环中访问可变的全局变量。