Участник:Илья Карандеев(ВТМ, 403)/QR-Факторизация методом Хаусхолдера: различия между версиями
Строка 20: | Строка 20: | ||
[[Файл:My1.png|слева|Логарифмическая шкала]] | [[Файл:My1.png|слева|Логарифмическая шкала]] | ||
− | |||
<br><br><br><br><br><br><br><br><br> | <br><br><br><br><br><br><br><br><br> | ||
<br><br><br><br><br><br><br><br><br> | <br><br><br><br><br><br><br><br><br> | ||
Строка 37: | Строка 36: | ||
Можно заметить, что на малых размерах матрицы при большом количестве процессов начинает падать эффективность. Возможно, это из-за накладных расходов из-за обмена сообщениями между процессами. | Можно заметить, что на малых размерах матрицы при большом количестве процессов начинает падать эффективность. Возможно, это из-за накладных расходов из-за обмена сообщениями между процессами. | ||
− | + | <br><br><br><br> | |
=== Динамические характеристики и эффективность реализации алгоритма === | === Динамические характеристики и эффективность реализации алгоритма === | ||
=== Выводы для классов архитектур === | === Выводы для классов архитектур === | ||
=== Существующие реализации алгоритма === | === Существующие реализации алгоритма === | ||
− | Большинство пакетов: LINPACK, LAPACK, SCALAPACK и прочие - используют для QR-разложения матриц именно метод Хаусхолдера, правда, в различных модификациях | + | Большинство пакетов: LINPACK, LAPACK, SCALAPACK и прочие - используют для QR-разложения матриц именно метод Хаусхолдера, правда, в различных модификациях (обычно с использованием BLAS). Существует большая подборка исследовательских работ по блочным версиям. |
− | + | Можно найти и много пользовательских реализаций: | |
− | + | На языке Python: | |
+ | https://www.quantstart.com/articles/QR-Decomposition-with-Python-and-NumPy/ | ||
https://gist.github.com/Hsankesara/cd35edb30825df19f182a6ecf96e126e | https://gist.github.com/Hsankesara/cd35edb30825df19f182a6ecf96e126e | ||
− | + | На языке R: | |
+ | https://rpubs.com/aaronsc32/qr-decomposition-householder - R | ||
+ | |||
+ | Для MatLab: | ||
https://www.mathworks.com/matlabcentral/answers/169648-qr-factorization-using-householder-transformations | https://www.mathworks.com/matlabcentral/answers/169648-qr-factorization-using-householder-transformations | ||
− | |||
− | |||
− | |||
== Литература == | == Литература == |
Версия 23:59, 16 ноября 2021
Содержание
- 1 Свойства и структура алгоритма
- 2 Программная реализация алгоритма
- 2.1 Особенности реализации последовательного алгоритма
- 2.2 Локальность данных и вычислений
- 2.3 Возможные способы и особенности параллельной реализации алгоритма
- 2.4 Масштабируемость алгоритма и его реализации
- 2.5 Динамические характеристики и эффективность реализации алгоритма
- 2.6 Выводы для классов архитектур
- 2.7 Существующие реализации алгоритма
- 3 Литература
1 Свойства и структура алгоритма
2 Программная реализация алгоритма
2.1 Особенности реализации последовательного алгоритма
2.2 Локальность данных и вычислений
2.3 Возможные способы и особенности параллельной реализации алгоритма
2.4 Масштабируемость алгоритма и его реализации
Вот исследование масштабируемости параллельной реализации QR-факторизации квадртной матрицы методом Хаусхолдера. Оно проводилось на суперкомпьютере "Ломоносов-2" суперкомпьютерного комплекса МГУ. В первом эксперименте, эксперименте на сильную масштабируемость, бралась матрица размером 14000 на 14000. Количество процессов в эксперименте рассматривалось таким: 1, 2, 4, 8. 14, 28, 56, 112, 224, 448, 700. Этот выбор обусловлен тем, что в одном узле на суперкомпьютере "Ломоносов-2" 14 ядер, а доступное количество узлов автору было равным 50. То есть максимум можно было задействовать 700 ядер.
Следующая серия экспериментов на масштабируемость была проведена на 1, 2, 4, 14, 28 и 42 ядрах. Для матриц
от 200 до 8500, выбранных более-менее произвольно. Вот график в разных проекциях, полученный по результатам экспериментов.
В целом, все работает объяснимо: больше размерность матрицы → больше время счета. Больше процессов → меньше время счета.
Можно заметить, что на малых размерах матрицы при большом количестве процессов начинает падать эффективность. Возможно, это из-за накладных расходов из-за обмена сообщениями между процессами.
2.5 Динамические характеристики и эффективность реализации алгоритма
2.6 Выводы для классов архитектур
2.7 Существующие реализации алгоритма
Большинство пакетов: LINPACK, LAPACK, SCALAPACK и прочие - используют для QR-разложения матриц именно метод Хаусхолдера, правда, в различных модификациях (обычно с использованием BLAS). Существует большая подборка исследовательских работ по блочным версиям.
Можно найти и много пользовательских реализаций:
На языке Python: https://www.quantstart.com/articles/QR-Decomposition-with-Python-and-NumPy/ https://gist.github.com/Hsankesara/cd35edb30825df19f182a6ecf96e126e
На языке R: https://rpubs.com/aaronsc32/qr-decomposition-householder - R
Для MatLab: https://www.mathworks.com/matlabcentral/answers/169648-qr-factorization-using-householder-transformations