标签：
MPI 是“Message Passing Interface”的缩写，通常用来做单机多线程的并发编程。
1. GibbsLDA++中训练框架大致如下：
循环：训练过程迭代N次
{
循环：遍历每一个训练样本（指doc）
{
循环：遍历训练样本中的每一个word
{
循环：gibbs采样过程，遍历每一个topic
{
会更新：
doc-topic矩阵、
word-topic矩阵、
doc-topic的边缘分布向量、
word-topic的边缘分布向量
当前word在topic上的分布向量
}
}
}
}
2. 尝试用openmp来实现训练过程的单机并行化
主要是利用openmp利用单机cpu上的多个核心，将循环依照核心的数目来进行划分，例如：将一重循环划分为较小的两重循环，分别放在cpu的两个核心上进行运算，再将得到的结果进行合并。这样使用需要有个要求：数据独立性。即划分为两个循环之后，这两个循环内部不会对同一个变量或者内存区域进行修改，如果有的话，就会产生“竞争”关系，就会因为写内存的时机不同、程序运行出不同的结果。
2.1 在最内层循环用openmp
主要是计算“当前word在topic上的分布向量”的时候，遍历topic，这时候word在topic上的分布向量可以依据topic的不同拆分成不同的区域，相互并不干扰。代码如下：
#pragma omp parallel for num_threads(2)
for (int k = 0; k < K; k++)
{
p[k] = (nw[w][k] + beta) / (nwsum[k] + Vbeta) *
(nd[m][k] + alpha) / (ndsum[m] + Kalpha);
}用GibbsLDA++自带的训练样本为例，实验结果如下：
没用MPI的，gibbs采样时间消耗：62.657s
用MPI的，gibbs采样时间消耗：94.626s
用MPI的，效率反而更低了！
现在能想到的原因，大概是针对K（topic个数）的循环太小了（实验中K的取值是100），且处于最内层循环，被调用的次数最多。这会引起大量的、拆分K循环给2个cpu的操作，这些操作也有性能损耗，且损耗大于了拆分后独立运行的收益，造成性能下降。
2.2 在第二层循环（遍历训练样本）中用openmp
第二层循环是遍历训练样本，在这一层循环用openmp实际上是对训练样本进行划分，并分别训练。代码如下：
#pragma omp parallel for num_threads(2)
for (int m = 0; m < M; m++)
{
for (int n = 0; n < ptrndata->docs[m]->length; n++)
{
int topic = sampling(m, n);
z[m][n] = topic;
}
}没用MPI的，gibbs采样时间消耗：62.657s
用MPI的，gibbs采样时间消耗：40.068s
降低了1/3的训练时间。不过这样做会有数据依赖的问题：将第二层循环切分为两个并行的循环的话，这两个并行的小循环，最内层循环都会对word做gibbs采样，即都会读取和更新doc-topic和word-topic矩阵、以及那些边缘分布。从这个角度讲，算法运行出来的结果应该是不正确的结果。不过，换另外的角度想：
（1）对数据进行并行化，也就是将doc集合进行划分，那么doc-topic矩阵和doc边缘分布相对也划分成多份，互不干扰。不过word-topic矩阵以及当前word在每个topic上的分布的向量，会有相互之间的干扰。
（2）word-topic矩阵的内容，每个word不同，更新的区域不同，当并行循环计算的word不同的时候，也不会受到影响；当并行循环计算的word相同的时候，刚好需要累加计算结果，也OK
（3）word在每个topic上的分布的向量，这个结果会收到影响。例如：如果将训练数据划分为两份，这两份中分别找到两个word（通常是不同的），用来更新上面的向量，而这个向量的写操作如果不受保护的话，会写“混”了。不过，如果全局都是这种写混的状态的话....结果也说不准
（4）Gibbs采样是概率算法，已经验证过，即便是参数相同，每次运行的结果也不同。
完。
转载请注明出处：http://blog.csdn.net/xceman1997/article/details/46582637
标签：
原文地址：http://blog.csdn.net/xceman1997/article/details/46582637
