DAS_2023_1/alexandrov_dmitrii_lab_5
2023-12-22 22:17:57 +04:00
..
screens Пятая лабораторная 2023-12-22 16:08:59 +04:00
matrix.py Пятая лабораторная 2023-12-22 16:08:59 +04:00
readme.md Изменил(а) на 'alexandrov_dmitrii_lab_5/readme.md' 2023-12-22 22:17:57 +04:00
service.py Пятая лабораторная 2023-12-22 16:08:59 +04:00
template.html Пятая лабораторная 2023-12-22 16:48:46 +04:00

Задание

Создать программу, производящую параллельные умножения реализовать двух больших квадратных матриц.

Выполнение

Программа состоит из модуля-сервиса service и модуля для вычислений matrix. В модуле для вычислений реализовано:

  • метод do_multiplication, который в обычном режиме одним потоком умножает матрицы. Не используется, т.к. слишком медленный.
  • метод multiply_row, который получает строку матрицы A, транспонированную матрицу B, строку выходной матрицы C, размер матриц и заполняет эту строку проходя по строкам транспонированной матрицы B. Возвращает заполненную строку.
  • метод do_multiplication_parallel, использующий предыдущий, который получает размер матриц и количество процессов, генерирует случайные матрицы заданного размера и производит вычисления.
  • метод прогона эксперимента с заполнением данных результатами. Методы интерфейса доступа.

Способ вычисления: в методе do_multiplication_parallel матрица B транспонируется, создаётся объект ProcessPoolExecutor с переданным количеством процессов, который их создаёт и распределяет по ним строки вычисляемой матрицы, а именно передавая им метод multiply_row. Если передать методу число 1 в качестве количества процессов, то соответственно вычисление произойдёт в одном потоке.

Результаты

Был создан Flask сервис, позволяющий получать результаты умножения случайных квадратных матриц. Возможно задать размер и количество процессов.

Дополнительно возможно провести эксперимент и получить результаты умножения матриц размера 100, 300 и 500 одним, десятью и ста процессами.

Поскольку распараллеливание основано на процессах, а в системе имеется 6 ядер (+2 виртуальных), то максимальное увеличение производительности будет достигнуто при выборе такого количества процессов. Более 61 потока урезается до 61 из-за системных ограничений. Как видно из бенчмарка:

  • во всех случаях скорость максимальна при выборе 10 процессов, т.е. при ближайшем к 8 числу процессов.
  • в случае 100 процессов из-за издержек создания процессов малые матрицы обрабатываются на порядок дольше, нежели одним процессом.
  • в случае 100 процессов благодаря распараллеливанию скорость обработки оказалась в 3 раза выше скорости обработки одним процессом.

Результаты: matrix5x5

matrix15x15

Бенчмарк: bench

Ссылка на видео

https://drive.google.com/file/d/1_bIyLL8YGwDePwWdCFk4KxntJip6mP0t/view?usp=drive_link