Trung tâm cá nhân
sách gpt4 ăn đã đi

通过已知索引、收集、分散重新调整的数组缓存友好复制

In lại 作者：太空狗 更新时间：2023-10-29 16:29:51 29 4
mua khóa gpt4 giày nike

假设我们有一个数据数组和另一个带索引的数组。

data = [1, 2, 3, 4, 5, 7]
index = [5, 1, 4, 0, 2, 3]

我们想从 chỉ số của dữ liệu 元素创建一个新数组。结果应该是

[4, 2, 5, 7, 3, 1]

朴素算法适用于 O(N)，但它执行随机内存访问。

你能推荐具有相同复杂度的 CPU 缓存友好算法吗？

附言在我的特定情况下，数据数组中的所有元素都是整数。

公务员事务局数组可能包含数百万个元素。

PPPS 我接受 SSE/AVX 或任何其他 x64 特定优化

câu trả lời hay nhất

将索引和数据合并到一个数组中。然后使用一些缓存友好的排序算法对这些对进行排序(按索引)。然后摆脱索引。 (您可以将合并/删除索引与排序算法的第一遍/最后一遍结合起来对此进行一点优化)。

对于缓存友好的 O(N) 排序，使用具有足够小 radix 的基数排序(最多 CPU 缓存中缓存行数的一半)。

这是类基数排序算法的 C 实现:

void reorder2(const unsigned size)
{
    const unsigned min_bucket = size / kRadix;
    const unsigned large_buckets = size % kRadix;
    g_counters[0] = 0;

    for (unsigned i = 1; i <= large_buckets; ++i)
        g_counters[i] = g_counters[i - 1] + min_bucket + 1;

    for (unsigned i = large_buckets + 1; i < kRadix; ++i)
        g_counters[i] = g_counters[i - 1] + min_bucket;

    for (unsigned i = 0; i < size; ++i)
    {
        const unsigned dst = g_counters[g_index[i] % kRadix]++;
        g_sort[dst].index = g_index[i] / kRadix;
        g_sort[dst].value = g_input[i];
        __builtin_prefetch(&g_sort[dst + 1].value, 1);
    }

    g_counters[0] = 0;

    for (unsigned i = 1; i < (size + kRadix - 1) / kRadix; ++i)
        g_counters[i] = g_counters[i - 1] + kRadix;

    for (unsigned i = 0; i < size; ++i)
    {
        const unsigned dst = g_counters[g_sort[i].index]++;
        g_output[dst] = g_sort[i].value;
        __builtin_prefetch(&g_output[dst + 1], 1);
    }
}

它在两个方面不同于基数排序:(1) 它不进行计数遍历，因为所有计数器都是预先知道的； (2) 避免使用基数的2次方值。

This C++ code was used for benchmarking (如果你想在 32 位系统上运行它，稍微减小 kMaxSize 常量)。

以下是基准测试结果(在具有 6Mb 缓存的 Haswell CPU 上):

benchmark results

很容易看出小型数组(少于 200 万个元素)即使对于朴素算法也是缓存友好的。此外，您可能会注意到排序方法在图表的最后一点开始对缓存不友好(size/radix 在 L3 缓存中接近 0.75 缓存行)。在这些限制之间，排序方法比朴素算法更有效。

理论上(如果我们仅将这些算法所需的内存带宽与 64 字节缓存行和 4 字节值进行比较)排序算法应该快 3 倍。实际上，我们的差异要小得多，大约 20%。如果我们为 dữ liệu 数组使用更小的 16 位值(在这种情况下，排序算法大约快 1.5 倍)，这可能会有所改善。

排序方法的另一个问题是当 size/radix 接近某个 2 的幂时它的最坏情况行为。这可能会被忽略(因为没有那么多“坏”尺寸)或通过使该算法稍微复杂一些来解决。

如果我们将 channel 数增加到 3，则所有 3 个 channel 主要使用 L1 缓存，但内存带宽增加了 60%。我用这段代码得到了实验结果:TL; DR .在(通过实验)确定最佳基数值后，对于大于 4 000 000 的大小(其中 2-pass 算法使用 L3 缓存一次)我得到了更好的结果，但对于较小的数组(其中 2-pass 算法使用 L2缓存两次)。正如预期的那样，16 位数据的性能更好。

结论:性能差异远小于算法复杂度差异，因此朴素方法几乎总是更好；如果性能非常重要并且只使用 2 或 4 字节值，则排序方法更可取。

关于通过已知索引、收集、分散重新调整的数组缓存友好复制，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34693853/

29 4 0
Đề xuất bài viết: android - 在libGDX中画线动画
Đề xuất bài viết: Android:无法解析符号 GoogleSignInOptions
Đề xuất bài viết: android - ContentProviderClient release() 弃用
Đề xuất bài viết: java - 无法为安卓游戏绘制正方形网格
太空狗
Hồ sơ

Tôi là một lập trình viên xuất sắc, rất giỏi!

Nhận phiếu giảm giá taxi Didi miễn phí
Phiếu giảm giá taxi Didi
Các bài viết phổ biến trên toàn bộ trang web
Chứng chỉ ICP Bắc Kinh số 000000
Hợp tác quảng cáo: 1813099741@qq.com 6ren.com
Xem sitemap của VNExpress