perf性能分析(2) -- Intel VTune 配置与使用(2)

测试代码：test_tbb_perf_vtune_profiler

注意：编译选项需要添加”-g”，以便于VTune Profiler可以显示源码信息。

1. 测试原始来源

VTune Profiler 进行性能分析：使用VTune Profiler测试TBB overhead。

2. 资料

• Intel TBB API 使用教程：Intel® oneAPI Threading Building Blocks
• Too long TBB’s shedule time when using parallel_deterministic_reduce

3. 测试过程及优化

3.1 reduce

1. 针对一些比如遍历求和操作，他们之间没有顺序要求，可以改用并行的 reduce。前提是数据的构造代价小，如稀疏矩阵拷贝代价就比较大。
2. 计算的先后顺序有关的，比如针对浮点的乘加操作，先后顺序变化影响计算精度，此时使用parallel_deterministic_reduce。官方解释是：合并顺序是预先定义好的，确保每次调用deterministic_reduce的结果相同。

3.2 几个不同的优化方式

Intel TBB 动态划分任务，以及把任务提交给线程执行，都需要消耗时间。优化包括：

• 调整 grain size 减少调度的开销。
• 使用静态划分static_partitioner减少调度开销。

3.2.1 调整 grain size

通过设置grain size，可以大致设定 TBB 每个任务要处理的数据量，即划分粒度：

tbb::blocked_range<double*>(v, v + n, 1000)

设置grain size之前，显示的热点 call stack 如下图（100次循环）：

设置grain size等于10000，Intel TBB 内部调度时间明显减少（10000次循环）：

3.2.2 使用静态划分static_partitioner

通过设置使用static_partitioner，即预先划分好任务，减少调度开销，具有与blocked_range类似的效果，但其控制的方式不同。

static_partitioner适用于任务均衡的计算场景。

tbb::task_arena ta(8);
  double sum = ta.execute([&]() {
    return tbb::parallel_deterministic_reduce(
      tbb::blocked_range<double*>(v, v + n), 0.0,
      [](const tbb::blocked_range<double*>& r, double value) -> double { return std::accumulate(r.begin(), r.end(), value); },
      std::plus<double>(), tbb::static_partitioner{});
  });

  return sum;