私はA^T * A(Aは2000x1000行列です)を計算したいと思います。また、私は上三角行列を解きたいだけです。内側のループでは、私は2つのベクトルの内積を解かなければならない。cblasを使ったドットプロダクトは遅い
ここで問題があります。 cblas ddot()を使うことは、ドットプロダクトをループで計算するよりも高速ではありません。これはどのように可能ですか? (Intel Core(TM)i7 CPU M620 @ 2,67GHz、1,92GB RAMを使用)
私はA^T * A(Aは2000x1000行列です)を計算したいと思います。また、私は上三角行列を解きたいだけです。内側のループでは、私は2つのベクトルの内積を解かなければならない。cblasを使ったドットプロダクトは遅い
ここで問題があります。 cblas ddot()を使うことは、ドットプロダクトをループで計算するよりも高速ではありません。これはどのように可能ですか? (Intel Core(TM)i7 CPU M620 @ 2,67GHz、1,92GB RAMを使用)
CBLASドットプロダクトは事実上わずかにアンロールされたループでの計算に過ぎません。 netlib Fortranはこれだけです:
DO I = MP1,N,5
DTEMP = DTEMP + DX(I)*DY(I) + DX(I+1)*DY(I+1) +
$ DX(I+2)*DY(I+2) + DX(I+3)*DY(I+3) + DX(I+4)*DY(I+4)
END DO
ieです。あなたの操作のためにddot
スタイルの内積を使用する必要がある場合、あなたはSSE2の組み込み関数を使用するために再書き込みあなたのループによりパフォーマンスが向上する可能性があります。5.
のストライドにアンロールだけループ:
#include <emmintrin.h>
double ddotsse2(const double *x, const double *y, const int n)
{
double result[2];
int n2 = 2 * (n/2);
__m128d dtemp;
if ((n % 2) == 0) {
dtemp = _mm_setzero_pd();
} else {
dtemp = _mm_set_sd(x[n] * y[n]);
}
for(int i=0; i<n2; i+=2) {
__m128d x1 = _mm_loadr_pd(x+i);
__m128d y1 = _mm_loadr_pd(y+i);
__m128d xy = _mm_mul_pd(x1, y1);
dtemp = _mm_add_pd(dtemp, xy);
}
_mm_store_pd(&result[0],dtemp);
return result[0] + result[1];
}
(テストされていない、コンパイルされていない、バイヤーが注意する)。
これは、標準のBLASの実装よりも高速でもよいし、高速でもよい。さらにループをアンロールするとパフォーマンスが向上するかどうかを調べることもできます。
あなたの答えをありがとうが、残念ながら、これは高速です。 Matlabはこの問題をC++より7倍速く解決しますが、速度を落とさずにC++でこれを行う必要があります。これを増強するために誰かにアイデアを持ってください。 – user1235183
@ user1235183:Matlabはどのような問題をより速く解決しますか - ドット積または行列乗算? – talonmies
この問題は、基本的にddotではなく、マトリックスサイズによって発生します。あなたの行列は非常に大きいので、キャッシュメモリに収まらない。解決方法は、3つのネストされたループを並べ替えることで、可能な限りキャッシュ内の行で処理できるようにして、キャッシュのリフレッシュを減らすことです。モデルの実装は、ddotとdaxpyの両方のアプローチに従います。私のコンピュータでは、時間消費は約15:1でした。 つまり、決して決して決して決して、私たちが学校で学んだ「行時間列」スキームに沿って行列乗算をプログラムしないでください。
/*
Matrix product of A^T * A by two methods.
1) "Row times column" as we learned in school.
2) With rearranged loops such that need for cash refreshes is reduced
(this can be improved even more).
Compile: gcc -o aT_a aT_a.c -lgslcblas -lblas -lm
*/
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <cblas.h>
#define ROWS 2000
#define COLS 1000
static double a[ROWS][COLS];
static double c[COLS][COLS];
static void dot() {
int i, j;
double *ai, *bj;
ai = a[0];
for (i=0; i<COLS; i++) {
bj = a[0];
for (j=0; j<COLS; j++) {
c[i][j] = cblas_ddot(ROWS,ai,COLS,bj,COLS);
bj += 1;
}
ai += 1;
}
}
static void axpy() {
int i, j;
double *ci, *bj, aij;
for (i=0; i<COLS; i++) {
ci = c[i];
for (j=0; j<COLS; j++) ci[j] = 0.;
for (j=0; j<ROWS; j++) {
aij = a[j][i];
bj = a[j];
cblas_daxpy(COLS,aij,bj,1,ci,1);
}
}
}
int main(int argc, char** argv) {
clock_t t0, t1;
int i, j;
for (i=0; i<ROWS; ++i)
for (j=0; j<COLS; ++j)
a[i][j] = i+j;
t0 = clock();
dot();
t0 = clock();
printf("Time for DOT : %f sec.\n",(double)t0/CLOCKS_PER_SEC);
axpy();
t1 = clock();
printf("Time for AXPY: %f sec.\n",(double)(t1-t0)/CLOCKS_PER_SEC);
return 0;
}
あなたが計算しようとしていることをもう少し明確に説明できますか?それは 'triu(A.T * A)'ですか、それとも 'triu(A).T * triu(A)'なのでしょうか? – talonmies