# Практикум: стенсил, редукция, журнал (≈5 мин + самостоятельная работа) **Задача:** распараллелить один шаг теплопроводности и сумму массива, проверить совпадение с эталоном и исследовать влияние числа потоков. Готовый файл — `материалы/lec4/data_parallel_demo.py`. 1. **Реализуйте две версии.** `step_serial` с `@njit` и `step_parallel` с `@njit(parallel=True)` и `prange` по строкам. `v = u.copy()` сохраняет границы. 2. **Проверьте до замера.** `np.allclose` по всему полю и отдельные проверки всех четырёх границ. 3. **Измерьте.** Прогрев, пять повторов, медиана, отдельный процесс для `p = 1, 2, 4, 8`; если есть 10 логических ядер — добавьте `p = 10`. Проверьте `numba.threading_layer()`. 4. **Проверьте редукцию.** `sum_parallel` согласуйте с `sum_serial` в допуске. Измените её на `hist[i % 4] += a[i]` и объясните, почему это не безопасная редукция. 5. **Сравните дисбаланс.** Для неравномерной задачи сравните статическое разбиение с мелкими или динамическими порциями; посчитайте `L`. 6. **Заполните журнал.** | Элемент | Пример формулировки | |---|---| | Гипотеза | Строки независимы, поэтому `prange` по `i` сократит время на большой сетке | | Изменение | `range` заменён на `prange`, добавлено `parallel=True` | | Проверка | `np.allclose` по всему массиву, отдельные проверки всех четырёх границ | | Наблюдение | Медианы и разброс для каждого числа потоков | | Вывод | Принять, доработать или отклонить гипотезу по измерениям | | Ограничение | Вывод относится к указанным CPU, Numba, размеру и типу данных | Заготовка таблицы: | p | Медиана T(p) | Min–max | S(p) = T_serial / T(p) | Результат совпал | |---|---|---|---|---| | 1 | | | | | | 2 | | | | | | 4 | | | | | | 8 | | | | | | 10 | | | | | Разберите четыре исхода: ускорение растёт почти линейно; насыщается; параллельная версия медленнее; результат отличается. В последнем случае сначала восстановите корректность и только потом считайте ускорение. > **Попробуйте сами:** сравните медианы `T(p)` с предсказанием из `1.2`. Если ускорение насыщается раньше, чем кончаются ядра, объясните это трафиком памяти, а не «плохим параллелизмом». **Задание** (≈60 минут). 1. Реализуйте последовательный и `prange`-варианты стенсила на сетке от 1024 × 1024. Проверьте результат и все четыре границы. 2. Для 1, 2, 4 и доступного числа потоков выполните пять замеров после прогрева. Постройте `T(p)` и `S(p)` по медианам. 3. Реализуйте reduce суммы массива. На бумаге покажите конфликт в наивной гистограмме. 4. Для неравномерной задачи сравните статическое разбиение с мелкими или динамическими порциями. Если Numba не поддерживает нужное планирование, примените OpenMP или чередующиеся блоки и опишите ограничение. 5. Подготовьте заявку мини-проекта: тема из плана или ВКР, эталон, шаблоны, инвариант и критерии производительности. ИИ можно использовать для обвязки замеров и графиков. Приложите декларацию: что сгенерировано, проверено и исправлено. **Считается выполненным, если:** - есть эталон и автоматические проверки результата и границ; - приведены окружение, версии, медианы и разброс; - ускорение объяснено через накладные расходы или память; - редукция отделена от небезопасной записи в массив; - заявка содержит измеримые критерии корректности и производительности.