목록을 개별 고루틴에 의해 처리되는 더 작은 덩어리로 분할했음에도 불구하고 'moving_avg_concurrent2'의 성능이 동시성이 향상되지 않는 이유는 무엇입니까?

동시 실행이 증가해도 Moving_avg_concurrent2의 성능이 향상되지 않는 이유는 무엇입니까?

moving_avg_concurrent2는 목록을 더 작은 조각으로 나누고 단일 고루틴을 사용하여 각 조각을 처리합니다. 어떤 이유로(이유는 명확하지 않음) 하나의 고루틴을 사용하는 이 함수는 Moving_avg_serial4보다 빠르지만 여러 고루틴을 사용하면 Moving_avg_serial4보다 성능이 떨어지기 시작합니다.

moving_avg_concurrent3이 Moving_avg_serial4보다 훨씬 느린 이유는 무엇입니까?

고루틴을 사용할 때 Moving_avg_concurrent3의 성능은 Moving_avg_serial4보다 나쁩니다. num_goroutines를 늘리면 성능이 향상될 수 있지만, Moving_avg_serial4보다 여전히 나쁩니다.

고루틴은 가볍지만 완전 무료는 아니지만, 발생하는 오버헤드가 너무 커서 Moving_avg_serial4보다 느린 것이 가능합니까?

예, 고루틴은 가볍지만 무료는 아닙니다. 여러 고루틴을 사용하는 경우 고루틴을 시작하고 관리하고 예약하는 데 드는 오버헤드가 병렬 처리 증가로 인한 이점보다 클 수 있습니다.

코드

기능:

// 返回包含输入移动平均值的列表（已提供，即未优化）
func moving_avg_serial(input []float64, window_size int) []float64 {
    first_time := true
    var output = make([]float64, len(input))
    if len(input) > 0 {
        var buffer = make([]float64, window_size)
        // 初始化缓冲区为 NaN
        for i := range buffer {
            buffer[i] = math.NaN()
        }
        for i, val := range input {
            old_val := buffer[int((math.Mod(float64(i), float64(window_size))))]
            buffer[int((math.Mod(float64(i), float64(window_size))))] = val
            if !NaN_in_slice(buffer) && first_time {
                sum := 0.0
                for _, entry := range buffer {
                    sum += entry
                }
                output[i] = sum / float64(window_size)
                first_time = false
            } else if i > 0 && !math.IsNaN(output[i-1]) && !NaN_in_slice(buffer) {
                output[i] = output[i-1] + (val-old_val)/float64(window_size) // 无循环的解决方案
            } else {
                output[i] = math.NaN()
            }
        }
    } else { // 空输入
        fmt.Println("moving_avg is panicking!")
        panic(fmt.Sprintf("%v", input))
    }
    return output
}

// 返回包含输入移动平均值的列表
// 重新排列控制结构以利用短路求值
func moving_avg_serial4(input []float64, window_size int) []float64 {
    first_time := true
    var output = make([]float64, len(input))
    if len(input) > 0 {
        var buffer = make([]float64, window_size)
        // 初始化缓冲区为 NaN
        for i := range buffer {
            buffer[i] = math.NaN()
        }
        for i := range input {
            //            fmt.Printf("in mvg_avg4: i=%v\n", i)
            old_val := buffer[int((math.Mod(float64(i), float64(window_size))))]
            buffer[int((math.Mod(float64(i), float64(window_size))))] = input[i]
            if first_time && !NaN_in_slice(buffer) {
                sum := 0.0
                for j := range buffer {
                    sum += buffer[j]
                }
                output[i] = sum / float64(window_size)
                first_time = false
            } else if i > 0 && !math.IsNaN(output[i-1]) /* && !NaN_in_slice(buffer)*/ {
                output[i] = output[i-1] + (input[i]-old_val)/float64(window_size) // 无循环的解决方案
            } else {
                output[i] = math.NaN()
            }
        }
    } else { // 空输入
        fmt.Println("moving_avg is panicking!")
        panic(fmt.Sprintf("%v", input))
    }
    return output
}

// 返回包含输入移动平均值的列表
// 将列表拆分为较小的片段以使用 goroutine，但不使用串行版本，即我们仅在开头具有 NaN，因此希望减少一些开销
// 仍然不能扩展（随着大小和 num_goroutines 的增加，性能下降）
func moving_avg_concurrent2(input []float64, window_size, num_goroutines int) []float64 {
    var output = make([]float64, window_size-1, len(input))
    for i := 0; i  0 {
        num_items := len(input) - (window_size - 1)
        var barrier_wg sync.WaitGroup
        n := num_items / num_goroutines
        go_avg := make([][]float64, num_goroutines)
        for i := 0; i  0 {
        num_windows := len(input) - (window_size - 1)
        var output = make([]float64, len(input))
        for i := 0; i 

위 내용은 목록을 개별 고루틴에 의해 처리되는 더 작은 덩어리로 분할했음에도 불구하고 'moving_avg_concurrent2'의 성능이 동시성이 향상되지 않는 이유는 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!