51 lines
5.3 KiB
Markdown
51 lines
5.3 KiB
Markdown
# 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.
|