为什么多线程的 for 循环没有单线程的性能好？

Question

我认为使用多线程处理简单而繁重的工作（例如矩阵计算）比使用单线程更好，所以我测试了以下代码：

int main()
{
    constexpr int N = 100000;

    std::random_device rd;
    std::mt19937 mt(rd());
    std::uniform_real_distribution<double> ini(0.0, 10.0);

    // single-thread
    {
        std::vector<int> vec(N);
        for(int i = 0; i < N; ++i)
        {
            vec[i] = ini(mt);
        }

        auto start = std::chrono::system_clock::now();

        for(int i = 0; i < N; ++i)
        {
            vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
        }

        auto end = std::chrono::system_clock::now();
        auto dur = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();
        std::cout << "single : " << dur << " ms."<< std::endl;
    }

    // multi-threading (Th is the number of threads)
    for(int Th : {1, 2, 4, 8, 16})
    {
        std::vector<int> vec(N);
        for(int i = 0; i < N; ++i)
        {
            vec[i] = ini(mt);
        }

        auto start = std::chrono::system_clock::now();

        std::vector<std::future<void>> fut(Th);
        for(int t = 0; t < Th; ++t)
        {
            fut[t] = std::async(std::launch::async, [t, &vec, &N, &Th]{
                for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
                {
                    vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
                }
            });
        }
        for(int t = 0; t < Th; ++t)
        {
            fut[t].get();
        }

        auto end = std::chrono::system_clock::now();
        auto dur = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();
        std::cout << "Th = " << Th << " : " << dur << " ms." << std::endl;
    }

    return 0;
}

执行环境：

OS : Windows 10 64-bit
Build-system : Visual Studio Community 2015
CPU : Core i5 4210U

在 Debug 模式下构建此程序时，结果如我所料：

single : 146 ms.
Th = 1 : 140 ms.
Th = 2 : 71 ms.
Th = 4 : 64 ms.
Th = 8 : 61 ms.
Th = 16 : 68 ms.

这表示不使用 std::async 的代码与使用单线程的代码具有相同的性能，当使用 4 或 8 线程时我可以获得很好的性能。

然而，当处于 Release 模式时，我得到了不同的结果 (N : 100000 -> 100000000) :

single : 54 ms.
Th = 1 : 443 ms.
Th = 2 : 285 ms.
Th = 4 : 205 ms.
Th = 8 : 206 ms.
Th = 16 : 221 ms.

我想知道这个结果。就后半段代码而言，多线程只是比单线程性能要好。但是最快的是前半码，不用std::async。我知道围绕多线程的优化和开销对性能有很大影响。然而，

这个过程只是vector的计算，那么多线程代码可以优化什么，单线程代码可以优化什么？
本程序不涉及互斥或原子等，不会发生数据冲突。我认为多线程的开销相对较小。
CPU 在不使用 std::async 的代码中的利用率低于在多线程代码中的利用率。 CPU的大部分使用效率高吗？

Update ：我试图研究矢量化。我启用了 /Qvec-report:1 选项并得到了事实：

//vectorized (when N is large)
for(int i = 0; i < N; ++i)
{
    vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
}

//not vectorized
auto lambda = [&vec, &N]{
    for(int i = 0; i < N; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
};
lambda();

//not vectorized
std::vector<std::future<void>> fut(Th);
for(int t = 0; t < Th; ++t)
{
    fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
        for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
        {
            vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
        }
    });
}

和运行时间：

single (with vectorization) : 47 ms.
single (without vectorization)  : 70 ms.

可以肯定的是，for-loop 在多线程版本中没有被向量化。但是，由于其他原因，版本需要很长时间。

更新 2：我重写了 lambda 中的 for 循环（类型 A 到类型 B）：

//Type A (the previous one)
fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
    for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//Type B (the new one)
fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
    int nb = t * N / Th;
    int ne = (t + 1) * N / Th;
    for(int i = nb; i < ne; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

B 型效果很好。结果：

single (vectorized) : 44 ms.
single (invectorized) : 77 ms.
--
Th = 1 (Type A) : 435 ms.
Th = 2 (Type A) : 278 ms.
Th = 4 (Type A) : 219 ms.
Th = 8 (Type A) : 212 ms.
--
Th = 1 (Type B) : 112 ms.
Th = 2 (Type B) : 74 ms.
Th = 4 (Type B) : 60 ms.
Th = 8 (Type B) : 61 ms.

类型 B 的结果是可以理解的（多线程代码运行比单线程向量化代码快，但不如向量化代码快）。另一方面，Type A 似乎等同于 Type B（只是使用临时变量），但它们显示出不同的性能。这两种类型可以考虑生成不同的汇编代码。

更新 3：我可能会发现一个减慢多线程 for 循环的因素。是for条件下的除法。这是单线程测试：

//ver 1 (ordinary)
fut[t] = std::async(std::launch::async, [&vec, &N]{
    for(int i = 0; i < N; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 2 (introducing a futile variable Q)
int Q = 1;
fut[t] = std::async(std::launch::async, [&vec, &N, Q]{
    for(int i = 0; i < N / Q; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 3 (using a temporary variable)
int Q = 1;
fut[t] = std::async(std::launch::async, [&vec, &N, Q]{
    int end = N / Q;
    for(int i = 0; i < end; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 4 (using a raw value)
fut[t] = std::async(std::launch::async, [&vec]{
    for(int i = 0; i < 100000000; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

和运行宁时间：

ver 1 : 132 ms.
ver 2 : 391 ms.
ver 3 : 47 ms.
ver 4 : 43 ms.

ver 3 & 4 优化得很好，而 ver 1 没有那么多，因为我认为编译器无法捕获 N不变，尽管 N 是 constexpr。我认为 ver 2 由于同样的原因非常慢。编译器不明白 N 和 Q 不会变化。所以条件 i < N / Q 需要大量的汇编代码，这会减慢 for 循环的速度。

Answer 1

当您运行单线程时，您的单线程在缓存中有 vec，因为您刚刚从 mt 创建它。而且它会通过缓存保持良好的流式传输，因为它是所有缓存级别的唯一用户。
我认为这里没有进行太多矢量化，否则你会得到更短的时间。不过，我可能是错的，因为内存带宽是这里的关键。你看过asm了吗？

任何其他线程都必须获取 ram。在您的情况下，这本身并不是一个大问题，因为它是一个 cpu，所以 L3 是共享的，而且数据集无论如何都大于 L3。
但是，多个线程争夺 L3 是不好的。我认为这是这里的主要因素。
你运行线程太多了。您应该运行拥有多少内核就拥有多少线程，以减少上下文切换和缓存乱扔的费用。
当 2 个硬件线程在管道（这里不是这种情况）、BP（这里不是这种情况）和缓存利用率（这里是强情况 -> 参见 #1）中有足够的 "holes" 时，HT 是有益的。
我真的很惊讶 >2 个线程并没有降级更多 --- 现在 cpus 太棒了！
线程启动和术语时间低于预期。如果您想要更多的可预测性，运行线程不断地使用一些廉价的信号来启动它们并通知它们已经完成。

编辑：特定问题的答案

The process is just calculation of the vector, so what can be optimized not in the multi-thread codes but in the single-thread codes?

这里没有多少代码可以优化....您可以分解长循环以启用循环展开：

C = 16; // try other C values?
for(int i=nb; i<ne; i+=C) {
  for(int j=0; j<C; j++)
    vec[i+j] = ...; // that's === vec[i] <<= 2;
}
// need to do the remainder....

如果编译器没有，您可以手动矢量化。先看组装。

This program contains nothing about mutex or atomic etc, and data conflict might not occur. I think overheads around multithreading would be relatively small.

没错。除了线程可能会在自己的时间启动。尤其是在 Windows 上，尤其是在有很多人的情况下。

CPU utilization in the codes not using std::async is smaller than in the multi-threading codes. Is it efficient to use the large part of CPU?

您总是希望在更短的时间内使用更多 cpu %。我不确定你在看什么，因为这里没有 IO。

为什么多线程的 for 循环没有单线程的性能好？

Why will for-loop with multithreading not have as great performance as with single-thread?

c++

multithreading

performance

c++11

stdasync