senkin_alexander_lab_5 is ready #30
1
senkin_alexander_lab_5/.gitignore
vendored
Normal file
@ -0,0 +1 @@
|
||||
./idea
|
30
senkin_alexander_lab_5/README.md
Normal file
@ -0,0 +1,30 @@
|
||||
# Лабораторная работа №5 - Параллельное умножение матриц
|
||||
|
||||
Цель: реализовать умножение двух больших квадратных матриц.
|
||||
|
||||
Задача: в лабораторной работе требуется сделать два алгоритма: обычный и параллельный (задание со * - реализовать это в рамках одного алгоритма). В параллельном алгоритме предусмотреть ручное задание количества потоков (число потоков = 1 как раз и реализует задание со *), каждый из которых будет выполнять умножение элементов матрицы в рамках своей зоны ответственности.
|
||||
|
||||
# Разработка приложения
|
||||
|
||||
Было решено производить разработку приложения на языке Go, так как на нем удобно реализован механизм паралеллизма.
|
||||
В рамках одного main файла реализованы две функции - параллельного и последовательного умножения матриц. Также реализована функция по запуску этих функций, и функция создания случайной матрицы.
|
||||
|
||||
![img.png](img.png)
|
||||
|
||||
# Запуск
|
||||
|
||||
Запуск программы производится с помощью команды в командной строке go run {путь до исполняемого main.go файла}
|
||||
|
||||
# Работа программы
|
||||
|
||||
- Создание случайной матрицы: ![img_1.png](img_1.png)
|
||||
- Метод для последовательного умножения матриц: ![img_2.png](img_2.png)
|
||||
- Метод параллельного умножения матриц: ![img_3.png](img_3.png)
|
||||
- Метод запуска тестов: ![img_4.png](img_4.png)
|
||||
- Главный метод запуска программы main: ![img_5.png](img_5.png)
|
||||
- Вывод на консоль и анализ результатов: ![img_6.png](img_6.png)
|
||||
- По результатам видим, что на Go параллельное умножение матриц всегда выигрывает последовательное, и чем больше матрица и больше потоков, тем больше выигрыш по производительности
|
||||
|
||||
# Видео
|
||||
|
||||
Видео с разбором лабораторной работы -
|
3
senkin_alexander_lab_5/go.mod
Normal file
@ -0,0 +1,3 @@
|
||||
module DAS_2023_1/senkin_alexander_lab_5
|
||||
|
||||
go 1.21.4
|
BIN
senkin_alexander_lab_5/img.png
Normal file
After Width: | Height: | Size: 6.0 KiB |
BIN
senkin_alexander_lab_5/img_1.png
Normal file
After Width: | Height: | Size: 19 KiB |
BIN
senkin_alexander_lab_5/img_2.png
Normal file
After Width: | Height: | Size: 29 KiB |
BIN
senkin_alexander_lab_5/img_3.png
Normal file
After Width: | Height: | Size: 47 KiB |
BIN
senkin_alexander_lab_5/img_4.png
Normal file
After Width: | Height: | Size: 46 KiB |
BIN
senkin_alexander_lab_5/img_5.png
Normal file
After Width: | Height: | Size: 29 KiB |
BIN
senkin_alexander_lab_5/img_6.png
Normal file
After Width: | Height: | Size: 50 KiB |
92
senkin_alexander_lab_5/main/main.go
Normal file
@ -0,0 +1,92 @@
|
||||
package main
|
||||
|
||||
import (
|
||||
"fmt"
|
||||
"math/rand"
|
||||
"sync"
|
||||
"time"
|
||||
)
|
||||
|
||||
func sequentialMatrixMultiply(matrixA, matrixB [][]float64) [][]float64 {
|
||||
rowsA, colsA := len(matrixA), len(matrixA[0])
|
||||
colsB := len(matrixB[0])
|
||||
result := make([][]float64, rowsA)
|
||||
for i := range result {
|
||||
result[i] = make([]float64, colsB)
|
||||
}
|
||||
|
||||
for i := 0; i < rowsA; i++ {
|
||||
for j := 0; j < colsB; j++ {
|
||||
for k := 0; k < colsA; k++ {
|
||||
result[i][j] += matrixA[i][k] * matrixB[k][j]
|
||||
}
|
||||
}
|
||||
}
|
||||
return result
|
||||
}
|
||||
|
||||
func parallelMatrixMultiply(matrixA, matrixB [][]float64, numProcesses int) [][]float64 {
|
||||
rowsA, colsA := len(matrixA), len(matrixA[0])
|
||||
colsB := len(matrixB[0])
|
||||
result := make([][]float64, rowsA)
|
||||
for i := range result {
|
||||
result[i] = make([]float64, colsB)
|
||||
}
|
||||
|
||||
var wg sync.WaitGroup
|
||||
wg.Add(numProcesses)
|
||||
|
||||
for i := 0; i < numProcesses; i++ {
|
||||
go func(id, startRow, endRow int) {
|
||||
defer wg.Done()
|
||||
for i := startRow; i < endRow; i++ {
|
||||
for j := 0; j < colsB; j++ {
|
||||
for k := 0; k < colsA; k++ {
|
||||
result[i][j] += matrixA[i][k] * matrixB[k][j]
|
||||
}
|
||||
}
|
||||
}
|
||||
}(i, i*rowsA/numProcesses, (i+1)*rowsA/numProcesses)
|
||||
}
|
||||
|
||||
wg.Wait()
|
||||
return result
|
||||
}
|
||||
|
||||
func runTest(matrixSize, numProcesses int) {
|
||||
matrixA := generateRandomMatrix(matrixSize, matrixSize)
|
||||
matrixB := generateRandomMatrix(matrixSize, matrixSize)
|
||||
|
||||
startTime := time.Now()
|
||||
_ = sequentialMatrixMultiply(matrixA, matrixB)
|
||||
sequentialTime := time.Since(startTime)
|
||||
fmt.Printf("Sequential matrix multiplication took (%dx%d): %s\n", matrixSize, matrixSize, sequentialTime)
|
||||
|
||||
startTime = time.Now()
|
||||
_ = parallelMatrixMultiply(matrixA, matrixB, numProcesses)
|
||||
parallelTime := time.Since(startTime)
|
||||
fmt.Printf("Parallel matrix multiplication with %d threads took (%dx%d): %s\n", numProcesses, matrixSize, matrixSize, parallelTime)
|
||||
}
|
||||
|
||||
func generateRandomMatrix(rows, cols int) [][]float64 {
|
||||
matrix := make([][]float64, rows)
|
||||
for i := range matrix {
|
||||
matrix[i] = make([]float64, cols)
|
||||
for j := range matrix[i] {
|
||||
matrix[i][j] = rand.Float64()
|
||||
}
|
||||
}
|
||||
return matrix
|
||||
}
|
||||
|
||||
func main() {
|
||||
rand.Seed(time.Now().UnixNano())
|
||||
|
||||
// Benchmarks for matrices with sizes 100x100, 300x300, and 500x500 with different numbers of processes
|
||||
runTest(100, 2)
|
||||
runTest(100, 4)
|
||||
runTest(300, 2)
|
||||
runTest(300, 4)
|
||||
runTest(500, 2)
|
||||
runTest(500, 4)
|
||||
}
|