服务器高性能计算指南

本文处于preview阶段，内容并不完全严谨，如有错误敬请原谅，适当参考。

服务器高性能计算指南
- 什么样的计算适合当前服务器？
- 上述测试方法一定是对的吗？
铁定律只有一条
结论
尝试手动设置线程来调优最佳线程数量，小轮次迭代来避免陷入多线程陷阱。
参考文献

什么样的计算适合当前服务器？

从CPU架构入手

本文立足于PR4768GW服务器，由于服务器购买年限比较久远，无法查看到其对应的架构图，IO扩展的详细描述，本文只能保守估计，待有时间进行详细性能测试验证。

双路CPU常见于服务器主板上，双路CPU带来的是超多的PCIE插槽，更多的IO扩展性能。

PR4768GW 的主板支持性能如下：

最大支持两颗Intel Xeon processor E5-2600 v3/v4 family (up to 160W TDP )，Dual Socket R3 (LGA 2011)；

组内使用的正是两颗E5-2620 V4

单颗的规格如下：

单颗包含了8颗物理核心，最通过超线程技术可同时运行16个线程。也就是说8个厨师可以同时做16个菜。

那么我们通过系统可以看到CPU的信息如下：

这里显示CPUS，也就是逻辑CPU有32个？

这是为什么呢？

首先，CPUS = 系统最大支持的CPU线程数量。（线程和进程的概念在这里被模糊）。

本文单个CPU支持16个线程，存在2个CPU 所以： 16 x 2 =32。

那么在系统层级上你实际是感受不出来的，到底有多少个CPU。

但为什么要强调使用的是双CPU呢？对我们有什么影响呢？

两个CPU带来的影响

两个CPU虽然在系统层级上是完全感受不到的，但实际上是有很大区别的，可以简单画一个架构图来展示一下：

graph LR
RAM1 <-->ACPU
ACPU <--CHIPSET--> BCPU
BCPU <-->RAM2

双CPU架构的计算机系统中PCIe显卡的调用过程涉及操作系统、设备驱动程序、NUMA、I/O亲和性和多CPU核心之间的协同工作。但是对于ACPU要想访问RAM2的东西或者BCPU想要访问RAM1,你就会意识到他们不仅在物理位置上相隔较远，且并没有直接链接在一起，这意味着什么呢？

即所有内存对于用户来说是透明的，即ACPU可以放访问RAM1也可以访问RAM2，但在物理意义上ACPU访问RAM2延迟往往大于RAM1,这就会造成主观感受上的很慢，并且我们再考虑一个极端情况，就是当ACPU和BCPU同时要访问一个RAM1里面的数据，这样二者就造成的抢占，CHIPSET就会介入来让A先访问，B后访问，等等措施，即二者或有先后顺序，但这个过程就或造成等待的问题，在系统层级上感受就是代码运行很慢。

那么有办法控制代码的运行，和架构来匹配吗？

讲完上述内容你会意识到一个问题，在多线程并发运行的时候，是CPU 线程越多越好吗？

并不见得，对于的服务器我们需要合理的，线程数量分配，才能发挥服务器的性能。

基于上述内容，我简单列举四种测试条件，及其收益效果：

存储在同区RAM，多CPU参与运算

有如下程序，在庞大的数据中找到对应的数据并提取出来,此处利用了Pytorch的多线程支持，即index_ select是支持多线程操作的：

import time

import numpy as np

import torch

INDEX = 10000

NELE = 1000

device = torch.device("cpu")

a = torch.rand(INDEX, NELE).to(device)

index = np.random.randint(INDEX - 1, size=INDEX * 8)

b = torch.from_numpy(index).to(device)

for threads in range(1, torch.get_num_threads() * 2):

    torch.set_num_threads(threads)

    start = time.time()

    for _ in range(100):

        res = a.index_select(0, b)

    print("the number of cpu threads:{} , time {}".format(torch.get_num_threads(), time.time() - start))

数据量相对较小运行的时候即数据为：INDEX = 10000 NELE = 1000的时候

我们让代码运行看一看在不同线程运行下运行的时间：

可以看到随着线程增加时间在快速下降，但是需要注意的是，当线程从8-16的时候：

时间下降并不是很明显，是因为在这里启用了超线程技术，即同一个cpu的超线程技术，8个厨师做16道菜，当我们来到16-32线程的时候，时间有了明显的下降：

这因为CPU2来参与了运算。同理后边的运算随着线程的增多，多线程的开销反而占了大头，运算反而变慢了，当然这里也有因为双CPU抢占内存读取的问题，也就是说上文的抢占RAM1的情况，当然具体情况不会这么简单，这里想要讨论的是这种情况下甜点在于16线程。

这里的讨论结果具有一次性，并不能作为参考，所以我翻倍增加了内层循环的运行时间，运行结果如下：

可以看到规律几乎一致。

下图展示了确实调用了很多CPU来运行：

存储在不同区RAM，多CPU参与运算

上文的结果可能令人沮丧，我的双CPU是否废了？

当然不是，也存在一种结果：当申请的内存足够多，如下所示：

数据量相对较小运行的时候即数据为：INDEX = 1000000 NELE = 1000的时候

运算的结果会不会像上文一样？当然不是，此时内存峰值已经到到了如下：

远远超过了一半。

那么性能还会保持下降的趋势吗？如果没有保持效果是什么样呢？

由于参数量过大，这里就不使用1到两个线程来实现了可以看到在前8个线程中都保持了比较好的运行性能下降的趋势，此时处于单线程单核心的阶段，性能会保持一个线性的下降：

可看到随着核心数量的变化，CPU运行处于不同的阶段，在跨阶段的时候运行时间会明显增加，这是因为内存访问和CPU抢占、多线程之间的开销三者的互相关系所造成的。所以线程数量往往设定为跨阶段的最终状态是最合适的。

当然这里的结论依赖于内存的高负载使用条件。

可以看到最终结果呈现出完整的阶段下降趋势：

上述测试方法一定是对的吗？

回到开始，上述的结果一定是对的吗？

我换一套环境来试一下，这一套测试环境为标准的商用PC。

硬件条件如下：

软件条件如下：

在代码相同的情况下，pytorch版本不同，会有什么效果呢？

可以看到性能没有任何的增长！这是为什么呢？

我们尝试追踪一下CPU的使用情况，看一看是什么效果：

从上到下一共1-4个线程所运行的效果，可以发现1线程的时候也并不是只用一个线程来运行，实际上在Pytorch这种高度封装的框架下，你根本无法详细了解其运行规律和运行方法（除非你联系作者），当然这里并没有解释为什么线程数量增加，性能反而下降了？

以下参考以下回答：

每次模型进行inference的时候，pytorch的核心会fork出多个线程进行Inter-op的并行计算，在每个op计算的内部（Intra-op）又会使用ATen，MKL，MKL-DNN等矩阵加速库进行加速，并使用OpenMP（默认）或TBB进行多线程计算。

这里使用MKL和OpenMP进行多线程计算时默认使用CPU物理线程的一半，具体使用几个线程可以使用torch.get_num_threads()得到，在默认情况下（intel处理器使用MKL和OpenMP）其对应的是两个环境变量：“MKL_NUM_THREADS”和“OMP_NUM_THREADS”。

因此使用multiprocessing实现多个模型并行计算时，默认情况下是每个进程都有物理计算资源一半的使用权限，从而之间存在资源竞争，对应问题中的实验结果就是随着进程数的增多，进程内平均前馈时间是非线性增长，并且进程间前馈时间的方差也会变大，宏观的讲这是资源竞争造成的损失。

如果需要模型在multiprocessing中使用（数据并行计算，或RL中多个actor生成样本等），则最好根据实际需要限定每个进程可以使用的物理线程数量，保证进程间不存在计算资源竞争，也就不会造成资源的浪费了。

我们找到官方文档：

CPU threading and TorchScript inference — PyTorch 2.1 documentation

里面详细解释了关于内部操作和操作之间的多线程的关系：

pytorch的核心会fork出多个线程进行Inter-op的并行计算，在每个op计算的内部（Intra-op）又会使用ATen，MKL，MKL-DNN等矩阵加速库进行加速

当设置torch.set_num_threads(threads)，实际上设置的是外部操作之间的多线程，在核心数量足够的时候，宏观上程序调用了1+N个线程来实现操作，这是为什么上文并不是一个线程在跑。

torch.set_num_threads(threads)为数量过多什么会导致性能下降？

原因很简单，内部线程和外部线程之间发生了抢占关系，性能不升反降。

总结一下：

面对多核心CPUS、高度封装的pytorch框架，我们该如何优化程序呢？

铁定律只有一条

实践才是检验真理的唯一标准！

尝试手动设置线程来调优最佳线程数量，小轮次迭代来避免陷入多线程陷阱。（小轮次迭代的同时也要考虑IO吞吐量对程序运行时间的影响，读数据都要20s，迭代1一轮s，你就要循环20s来让运行时间占据优势再进行比较，代码计算时间的位置也要避免开IO读取时间，下图证明了7950XC平台并不是因为IO性能造成的影响）：

结论

在内存使用不明显的情况下推荐使用16线程，当然最保险的情况是实验一下，哪个线程比较合适。

在内存使用需要跨俩个CPU的时候，以阶段最多的CPU核心数量为优点，8，16，24不要直接32，系统会卡死！

尝试手动设置线程来调优最佳线程数量，小轮次迭代来避免陷入多线程陷阱。

上文中的各种情况由于硬件平台条件限制，文章篇幅限制，并没有做到非常详尽的讲解和分析，文章的主要目的在于希望大家不要一个劲的多线程数量上升，要明白，实践才是检验真理的唯一标准。

参考文献