解决OpenCL的经典地图减少问题？

Question

我试图与OpenCL（即AMD实现）平行一个经典的MAP-REDUCE问题（可以与MPI平行）。但是结果使我感到困扰。

让我先介绍这个问题。有两种流入系统的数据类型：功能集（每个参数为30个）和示例集（每个参数为9000多个维度）。从某种意义上说，这是一个经典的地图减少问题，我需要计算每个样本（地图）上每个功能的分数。然后，总结每个功能的总分（减少）。大约有10K功能和30K样品。

我尝试了不同的方法来解决问题。首先，我试图通过功能分解问题。问题在于分数计算由随机内存访问（选择9000多个维度中的某些和do plus/sintraction计算）。由于我无法合并内存访问，因此成本。然后，我尝试通过样本分解问题。问题在于，要总结总分，所有线程都在争夺几个分数变量。它不断覆盖分数，这是不正确的。 （我不能先进行单个分数，然后再总结，因为它需要10k * 30k * 4字节）。

我尝试的第一种方法为我提供了具有8个线程的i7 860 CPU的相同性能。但是，我认为这个问题是无法解决的：它与射线追踪问题非常相似（为此，您进行了数百万射线对数以百万计的三角形的计算）。有任何想法吗？

此外，我正在发布一些我拥有的代码：

通过功能分解（工作，但慢）：

__kernel void __ccv_cl_pos_error_rate(__global unsigned int* err_rate,
__constant int* feature, __constant int* data, int num, __constant
unsigned int* w, int s, int isiz0, int isiz01, int step0, int step1)
{
    int igrid = get_global_id(0);
    __constant int* of = feature + igrid * 30;
    unsigned int e = 0;
    int k, i;
    int step[] = { step0, step1 };
    for (k = 0; k < num; k++)
    {
        __constant int* kd = data + k * isiz01;
        int pmin = kd[of[0] * isiz0 + of[1] + of[2] * step[of[0]]];
        int nmax = kd[of[3] * isiz0 + of[4] + of[5] * step[of[3]]];
        for (i = 0; i < 5; i++)
        {
            if (of[i * 6] >= 0)
                pmin = min(pmin, kd[of[i * 6] * isiz0 + of[i * 6 + 1] + of[i * 6 + 2] * step[of[i * 6]]]);
            if (of[i * 6 + 3] >= 0)
                nmax = max(nmax, kd[of[i * 6 + 3] * isiz0 + of[i * 6 + 4] + of[i * 6 + 5] * step[of[i * 6 + 3]]]);
        }
        if (pmin <= nmax)
            e += w[s + k];
    }
    err_rate[igrid] += e;
}

通过样本分解，无效：

__kernel void __ccv_cl_pos_error_rate(__global unsigned int* err_rate,
__constant int* feature, __constant int* data, int num, __constant
unsigned int* w, int s, int isiz0, int isiz01, int step0, int step1,
__local int* shared)
{
    int igrid = get_global_id(0);
    int lsize = get_local_size(0);
    int lid = get_local_id(0);
    unsigned int e = 0;
    int k, i;
    int ws = w[s + igrid];
    int step[] = { step0, step1 };
    for (k = 0; k < isiz01; k += lsize)
        if (k + lid < isiz01)
            shared[k + lid] = data[igrid * isiz01 + k + lid];
    barrier(....);
    for (k = 0; k < num; k++)
    {
        __constant int* of = feature + k * 30;
        int pmin = shared[of[0] * isiz0 + of[1] + of[2] * step[of[0]]];
        int nmax = shared[of[3] * isiz0 + of[4] + of[5] * step[of[3]]];
        for (i = 0; i < 5; i++)
        {
            if (of[i * 6] >= 0)
                pmin = min(pmin, shared[of[i * 6] * isiz0 + of[i * 6 + 1] + of[i * 6 + 2] * step[of[i * 6]]]);
            if (of[i * 6 + 3] >= 0)
                nmax = max(nmax, shared[of[i * 6 + 3] * isiz0 + of[i * 6 + 4] + of[i * 6 + 5] * step[of[i * 6 + 3]]]);
        }
        if (pmin <= nmax)
            err_rate[k] += ws; // here is wrong.
    }
    barrier(....);
}

Answer 1

来自HN的Andrew Cooke。从您的第一次尝试开始，我现在可以更好地理解问题，并且看到选择样本取决于功能的选择是杀死您的东西。

是按功能完全随机选择样品的选择，还是可以利用该样品（订购特征，以便将相同样品的人一起处理在一起）？这很明显，所以我想这是不可能的。

不幸的是，我不了解您的第二次尝试。