Самый быстрый способ многопоточности - быстрый выбор всех столбцов или всех строк матрицы в Rcpp - OpenMP, RcppParallel или RcppThread
Я использовал этот код Rcpp, чтобы быстро выбрать вектор значений, т.е. получить k-й по величине элемент из вектора за O(n) время (я сохранил это как qselect.cpp
):
// [[Rcpp::depends(RcppArmadillo)]]
#include <RcppArmadillo.h>
using namespace arma;
// [[Rcpp::export]]
double qSelect(arma::vec& x, const int k) {
// ARGUMENTS
// x: vector to find k-th largest element in
// k: desired k-th largest element
// safety copy since nth_element modifies in place
arma::vec y(x.memptr(), x.n_elem);
// partially sort y in O(n) time
std::nth_element(y.begin(), y.begin() + k - 1, y.end());
// the k-th largest value
const double kthValue = y(k-1);
return kthValue;
}
Я использовал это как быстрый способ вычислить желаемый процентиль. Например
n = 50000
set.seed(1)
x = rnorm(n=n, mean=100, sd=20)
tau = 0.01 # desired percentile
k = tau*n+1 # here we will get the 6th largest element
library(Rcpp)
Rcpp::sourceCpp('qselect.cpp')
library(microbenchmark)
microbenchmark(qSelect(x,k)) # 53.32917, 548 µs
microbenchmark(sort(x, partial=k)[k]) # 53.32917, 694 µs = pure R solution
[Может показаться, что это уже быстро, но мне нужно сделать это миллионы раз в моем приложении]
Теперь я хотел бы изменить эту функцию Rcpp, чтобы она выполняла многопоточный быстрый выбор для всех столбцов или всех строк матрицы R и возвращала результат в виде вектора. Поскольку я новичок в Rcpp, мне хотелось бы получить несколько советов, хотя о том, какой из фреймворков, скорее всего, будет наиболее быстрым для этого и будет проще кодировать (он должен легко работать кроссплатформенно, и мне нужен хороший контроль над nr темы для использования). Используете OpenMP, RcppParallel или RcppThread? Или даже лучше - если бы кто-то мог продемонстрировать быстрый и элегантный способ сделать это?
2 ответа
Да, это было бы кандидатом на многопоточный вариант - но, как скажет вам документация RcppParallel, одно требование к параллельному коду - это не R память, и здесь мы используем RcppArmadillo в нашем эффективном способе нулевого копирования, то есть это R память.
Таким образом, вам может понадобиться обменять дополнительные копии данных (например, на RMatrix
Тип RcppParallel использует) который параллельное выполнение.
Но поскольку ваш алгоритм прост и основан на столбцах, вы также можете поэкспериментировать с одним циклом OpenMP в своей функции выше: передать ему матрицу, сделать так, чтобы он перебирал столбцы, используя #pragma for
,
Следуя приведенным ниже советам, я попробовал многопоточность с OpenMP, и это, похоже, дает приличное ускорение с использованием 8 потоков на моем ноутбуке. Я изменил мой qselect.cpp
подать в:
// [[Rcpp::depends(RcppArmadillo)]]
#define RCPP_ARMADILLO_RETURN_COLVEC_AS_VECTOR
#include <RcppArmadillo.h>
using namespace arma;
// [[Rcpp::export]]
double qSelect(arma::vec& x, const int k) {
// ARGUMENTS
// x: vector to find k-th largest element in
// k: k-th statistic to look up
// safety copy since nth_element modifies in place
arma::vec y(x.memptr(), x.n_elem);
// partially sorts y
std::nth_element(y.begin(), y.begin() + k - 1, y.end());
// the k-th largest value
const double kthValue = y(k-1);
return kthValue;
}
// [[Rcpp::export]]
arma::vec qSelectMbycol(arma::mat& M, const int k) {
// ARGUMENTS
// M: matrix for which we want to find the k-th largest elements of each column
// k: k-th statistic to look up
arma::mat Y(M.memptr(), M.n_rows, M.n_cols);
// we apply over columns
int c = M.n_cols;
arma::vec out(c);
int i;
for (i = 0; i < c; i++) {
arma::vec y = Y.col(i);
std::nth_element(y.begin(), y.begin() + k - 1, y.end());
out[i] = y(k-1); // the k-th largest value of each column
}
return out;
}
#include <omp.h>
// [[Rcpp::plugins(openmp)]]
// [[Rcpp::export]]
arma::vec qSelectMbycolOpenMP(arma::mat& M, const int k, int nthreads) {
// ARGUMENTS
// M: matrix for which we want to find the k-th largest elements of each column
// k: k-th statistic to look up
// nthreads: nr of threads to use
arma::mat Y(M.memptr(), M.n_rows, M.n_cols);
// we apply over columns
int c = M.n_cols;
arma::vec out(c);
int i;
omp_set_num_threads(nthreads);
#pragma omp parallel for shared(out) schedule(dynamic,1)
for (i = 0; i < c; i++) {
arma::vec y = Y.col(i);
std::nth_element(y.begin(), y.begin() + k - 1, y.end());
out(i) = y(k-1); // the k-th largest value of each column
}
return out;
}
тесты:
n = 50000
set.seed(1)
x = rnorm(n=n, mean=100, sd=20)
M = matrix(rnorm(n=n*10, mean=100, sd=20), ncol=10)
tau = 0.01 # desired percentile
k = tau*n+1 # we will get the 6th smallest element
library(Rcpp)
Rcpp::sourceCpp('qselect.cpp')
library(microbenchmark
microbenchmark(apply(M, 2, function (col) sort(col, partial=k)[k]),
apply(M, 2, function (col) qSelect(col,k)),
qSelectMbycol(M,k),
qSelectMbycolOpenMP(M,k,nthreads=8))[,1:4]
Unit: milliseconds
expr min lq mean median uq max neval cld
apply(M, 2, function(col) sort(col, partial = k)[k]) 8.937091 9.301237 11.802960 11.828665 12.718612 43.316107 100 b
apply(M, 2, function(col) qSelect(col, k)) 6.757771 6.970743 11.047100 7.956696 9.994035 133.944735 100 b
qSelectMbycol(M, k) 5.370893 5.526772 5.753861 5.641812 5.826985 7.124698 100 a
qSelectMbycolOpenMP(M, k, nthreads = 8) 2.695924 2.810108 3.005665 2.899701 3.061996 6.796260 100 a
Я был удивлен примерно в 2-кратным приростом скорости выполнения применения в Rcpp, даже не используя многопоточность (функция qSelectMbycol), и было еще 2-кратное увеличение скорости с многопоточностью OpenMP (qSelectMbycolOpenMP).
Любые советы по возможной оптимизации кода приветствуются...
Для маленьких n
(n
<1000) версия OpenMP не быстрее, возможно, потому что отдельные задания слишком малы. Например, для n=500
:
Unit: microseconds
expr min lq mean median uq max neval cld
apply(M, 2, function(col) sort(col, partial = k)[k]) 310.477 324.8025 357.47145 337.8465 361.5810 1782.885 100 c
apply(M, 2, function(col) qSelect(col, k)) 103.921 114.8255 141.59221 119.3155 131.9315 1990.298 100 b
qSelectMbycol(M, k) 24.377 32.2885 44.13873 35.2825 39.3440 900.210 100 a
qSelectMbycolOpenMP(M, k, nthreads = 8) 76.123 92.1600 130.42627 99.8575 112.4730 1303.059 100 b