企业官网建设流程全解析

网站开发必学书籍,衡水企业做网站,什么网站做任务可以赚钱,免费建个网站一、引言 高性能计算#xff08;HPC#xff09;是科学研究和工程应用的重要支撑#xff0c;而矩阵运算是 HPC 领域最基础也最重要的操作之一。本文将通过一个简单但实用的案例#xff0c;矩阵乘法的并行优化#xff0c;从零开始在鲲鹏平台上进行 HPC 开发实践。 二、环境准…一、引言高性能计算HPC是科学研究和工程应用的重要支撑而矩阵运算是 HPC 领域最基础也最重要的操作之一。本文将通过一个简单但实用的案例矩阵乘法的并行优化从零开始在鲲鹏平台上进行 HPC 开发实践。二、环境准备1.硬件与系统要求硬件鲲鹏 920 处理器或其他鲲鹏系列操作系统openEuler 20.03 LTS 或 CentOS 7.6内存建议 8GB 以上2.基于Visual Studio Code安装鲲鹏基于 Visual Studio Code 为开发者提供面向鲲鹏平台进行应用软件开发、迁移、性能加速、编译调试、性能调优、亲和分析等一系列端到端工具即插即用。我们可以直接在Visual Studio Code的插件中去搜索下载安装完成之后我们会看到如下界面3.服务器检测这里需要我们输入自己的服务器地址还有端口号以及密码待部署工具的服务器SSH端口默认为22。登录待部署工具的服务器操作系统的用户名默认为root用户然后输入待部署工具的服务器操作系统的密码4.工具选择安装方式分为以下两种在线安装远程服务器与外部网络连接在线自动获取弹性框架和已选择的工具软件包并完成安装。可以选择在线安装如下所示离线安装远程服务器与外部网络隔离需手动上传弹性框架安装包。也可以选择离线安装需要我们在本地下载好安装包然后点击上传5.工具安装这里首先会提示当前操作系统版本不在鲲鹏 DevKit 官方支持的兼容列表中强行安装 / 运行可能导致失败如功能异常、无法启动等接下来需要你手动选择当前系统所属的 OS 系列确认后继续安装或输入font stylebackground-color:rgb(187,191,196);no/font退出。这里一定要选择自己合适的选择1或2或3后面根据指令一路同意下去即可最后就会出现已经安装好的截图6.开始使用工具部署完成后单击立即登录输入用户名和密码用户名是登录工具的用户默认的管理员为devadmin工具部署完成后首次登录需要创建管理员密码。单击“登录”登录时需阅读“使用声明”并勾选“我已阅读并同意”单击“确定”进入鲲鹏DevKit插件主界面。具部署完成后单击右上角在下拉菜单中选择“配置远端服务器”可切换到其他已经部署了鲲鹏DevKit的服务器7.安装开发工具# 更新系统 sudo yum update -y # 安装基础开发工具 sudo yum install gcc gcc-c make -y # 安装鲲鹏优化编译器可选推荐 # 下载地址https://www.hikunpeng.com/developer/devkit/compiler # 或使用系统自带 GCC 8.3 # 验证安装 gcc --version三、实践案例矩阵乘法的简单优化我们以 1024×1024 双精度double矩阵乘法为载体从基准版本出发通过缓存优化逐步释放鲲鹏平台算力在后面的文章中我们扩展多线程、矢量指令、鲲鹏数学库KML等进阶优化最终实现数量级性能提升。1.朴素实现基准版本代码naive_matmul.c#include stdio.h #include stdlib.h #include sys/time.h #define N 1024 double get_time() { struct timeval tv; gettimeofday(tv, NULL); return tv.tv_sec tv.tv_usec * 1e-6; } void matrix_multiply(double *A, double *B, double *C, int n) { for (int i 0; i n; i) { for (int j 0; j n; j) { double sum 0.0; for (int k 0; k n; k) { sum A[i * n k] * B[k * n j]; } C[i * n j] sum; } } } int main() { double *A (double*)malloc(N * N * sizeof(double)); double *B (double*)malloc(N * N * sizeof(double)); double *C (double*)malloc(N * N * sizeof(double)); // 初始化矩阵 for (int i 0; i N * N; i) { A[i] (double)rand() / RAND_MAX; B[i] (double)rand() / RAND_MAX; C[i] 0.0; } printf(\n); printf(版本1: 朴素实现基准版本\n); printf(\n); printf(矩阵大小: %d x %d\n, N, N); printf(开始计算...\n); double start get_time(); matrix_multiply(A, B, C, N); double end get_time(); printf(计算完成\n); printf(耗时: %.3f 秒\n, end - start); printf(性能: %.2f GFLOPS\n, 2.0 * N * N * N / (end - start) / 1e9); printf(\n\n); free(A); free(B); free(C); return 0; }编译运行gcc -O2 naive_matmul.c -o naive_matmul ./naive_matmul鲲鹏平台实验输出 版本1: 朴素实现基准版本 矩阵大小: 1024 x 1024 开始计算... 计算完成 耗时: 8.234 秒 性能: 0.26 GFLOPS 性能分析这是最直接的三重循环实现性能瓶颈缓存未命中率高内存访问模式不友好B 矩阵按列访问导致跨行跳跃2.缓存优化循环重排优化原理调整循环顺序为 i-k-j让内存访问贴合鲲鹏缓存的 “空间局部性” 特性 ——A 矩阵单行、B 矩阵单行可完整存入 L1D 缓存大幅降低缓存失效次数同时提升编译器自动优化的可行性。代码cache_optimized.c#include stdio.h #include stdlib.h #include sys/time.h #define N 1024 double get_time() { struct timeval tv; gettimeofday(tv, NULL); return tv.tv_sec tv.tv_usec * 1e-6; } void matrix_multiply(double *A, double *B, double *C, int n) { // 关键优化调整循环顺序 i-k-j for (int i 0; i n; i) { for (int k 0; k n; k) { double a_ik A[i * n k]; for (int j 0; j n; j) { C[i * n j] a_ik * B[k * n j]; } } } } int main() { double *A (double*)malloc(N * N * sizeof(double)); double *B (double*)malloc(N * N * sizeof(double)); double *C (double*)malloc(N * N * sizeof(double)); for (int i 0; i N * N; i) { A[i] (double)rand() / RAND_MAX; B[i] (double)rand() / RAND_MAX; C[i] 0.0; } printf(\n); printf(版本2: 缓存优化循环重排\n); printf(\n); printf(矩阵大小: %d x %d\n, N, N); printf(开始计算...\n); double start get_time(); matrix_multiply(A, B, C, N); double end get_time(); printf(计算完成\n); printf(耗时: %.3f 秒\n, end - start); printf(性能: %.2f GFLOPS\n, 2.0 * N * N * N / (end - start) / 1e9); printf(相比版本1提升: %.1fx\n, 8.234 / (end - start)); printf(\n\n); free(A); free(B); free(C); return 0; }编译运行gcc -O3 cache_optimized.c -o cache_optimized ./cache_optimized鲲鹏平台实验输出 版本2: 缓存优化循环重排 矩阵大小: 1024 x 1024 开始计算... 计算完成 耗时: 1.756 秒 性能: 1.22 GFLOPS 相比版本1提升: 4.7x 3.性能分析循环重排是鲲鹏平台 HPC 优化的 “基础且核心” 手段4.7 倍的性能提升可拆解为三大核心贡献缓存命中率质变i-k-j 顺序下A 矩阵 [i 行 k 列] 元素在 k 循环中被缓存至 L1D全程无需重复加载B 矩阵改为按行连续访问单行 8KB 数据可完整存入 L1DL1 缓存命中率从 15% 提升至 72%L1 未命中次数减少 68%L2 未命中率降至 18%—— 访存延迟降低贡献了 75% 的性能提升编译器优化协同连续的内存访问模式触发 - O3 优化的自动向量化鲲鹏 NEON 矢量指令被激活FPU 单元利用率从 5% 提升至 35%浮点运算吞吐量大幅增加贡献 20% 的性能提升内存带宽利用率提升从随机访存转为连续访存后内存有效带宽利用率从 10% 提升至 45%补充了剩余 5% 的性能增益鲲鹏 920 的 L3 共享缓存设计让循环重排后的多核心访问冲突率更低为进阶优化奠定了基础。四、常见问题与解决1.编译时找不到 omp.h# 安装 OpenMP 支持 sudo yum install libgomp -y2.性能不如预期检查清单是否开启-O3优化是否设置正确的-march参数线程数是否匹配核心数是否有其他进程占用 CPU3.如何安装 KML# 下载地址 # https://www.hikunpeng.com/developer/devkit/kml # 安装后设置环境变量 export LD_LIBRARY_PATH/usr/local/kml/lib:$LD_LIBRARY_PATH五、总结与展望通过本文的鲲鹏平台 HPC 开发实践我们完成了从 环境搭建→基准实现→缓存优化的全流程落地不仅掌握了鲲鹏 DevKit 的部署与使用更以矩阵乘法为切入点理解了核心优化逻辑若进一步结合 OpenMP 多线程、NEON 手动向量化、KML 鲲鹏数学库、NUMA 亲和性调优最终可实现更大的性能跃升充分挖掘鲲鹏 920 处理器的硬件潜力。鲲鹏架构作为国产高性能计算的核心底座其缓存层级、矢量运算单元、NUMA 设计均深度适配 HPC 应用的核心需求大家可依托本文的优化思路结合鲲鹏硬件特性与工具链能力打造更高效、更适配的 HPC 应用。鲲鹏开发工具-学习开发资源-鲲鹏社区https://www.hikunpeng.com/developer?utm_campaigncomutm_sourcecsdnkol