<div dir="ltr"><div class="gmail_extra"><div class="gmail_quote">On Mon, Aug 24, 2015 at 9:24 AM, Nelson Filipe Lopes da Silva <span dir="ltr"><<a href="mailto:nelsonflsilva@ist.utl.pt" target="_blank">nelsonflsilva@ist.utl.pt</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Hello. Thank you very much for your time.<br>
<br>
I understood the idea, it works very well.<br>
I also noticed that my algorithm performs a different number of iterations with different number of machines. The stop conditions are calculated using PETSc "matmultadd". I'm very positive that there may be a program bug in my code, or could it be something with PETSc?<br></blockquote><div><br></div><div>In parallel, a total order on summation is not guaranteed, and thus you will have jitter in the result. However, your</div><div>iteration seems extremely sensitive to this (10s of iterations difference). Thus it seems that either your iterative</div><div>tolerance is down around round error, which is usually oversolving, or you have an incredibly ill-conditioned system.</div><div><br></div><div>  Thanks,</div><div><br></div><div>     Matt</div><div> </div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
I also need to figure out why those vecmax ratio are so high. The vecset is understandable as I'm distributing the initial information from the root machine in sequencial.<br>
<br>
These are the new values:<span class=""><br>
1 machine<br>
[0] Matrix diagonal_nnz:16800000 (100.00 %)<br>
[0] Matrix local nnz: 16800000 (100.00 %), local rows: 800000 (100.00 %)<br>
ExecTime: 4min47sec<br></span>
Iterations: 236<br>
<br>
2 machines<br>
[0] Matrix diagonal_nnz:8000000 (95.24 %)<br>
[1] Matrix diagonal_nnz:7600000 (90.48 %)<span class=""><br>
<br>
[0] Matrix local nnz: 8400000 (50.00 %), local rows: 400000 (50.00 %)<br>
[1] Matrix local nnz: 8400000 (50.00 %), local rows: 400000 (50.00 %)<br></span>
ExecTime: 5min26sec<br>
Iterations: 330<br>
<br>
3 machines<br>
[0] Matrix diagonal_nnz:5333340 (95.24 %)<br>
[1] Matrix diagonal_nnz:4800012 (85.71 %)<br>
[2] Matrix diagonal_nnz:4533332 (80.95 %)<span class=""><br>
<br>
[0] Matrix local nnz: 5600007 (33.33 %), local rows: 266667 (33.33 %)<br>
[1] Matrix local nnz: 5600007 (33.33 %), local rows: 266667 (33.33 %)<br></span>
[2] Matrix local nnz: 5599986 (33.33 %), local rows: 266666 (33.33 %))<br>
ExecTime: 5min25sec<br>
Iterations: 346<br>
<br>
The suggested permutation worked very well in comparison with the original matrix structure. The no-speedup may be related with the different number of iterations.<br>
<br>
Once again, thank you very much for the time.<br>
Cheers,<br>
Nelson<div class="HOEnZb"><div class="h5"><br>
<br>
Em 2015-08-23 20:19, Barry Smith escreveu:<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
A suggestion: take your second ordering and now interlace the second<br>
half of the rows with the first half of the rows (keeping the some<br>
column ordering) That is, order the rows 0, n/2, 1, n/2+1, 2, n/2+2<br>
etc   this will take the two separate "diagonal" bands and form a<br>
single "diagonal band".  This will increase the "diagonal block<br>
weight" to be pretty high and the only scatters will need to be for<br>
the final rows of the input vector that all processes need to do their<br>
part of the multiply. Generate the image to make sure what I suggest<br>
make sense and then run this ordering with 1, 2, and 3 processes. Send<br>
the logs.<br>
<br>
  Barry<br>
<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
On Aug 23, 2015, at 10:12 AM, Nelson Filipe Lopes da Silva <<a href="mailto:nelsonflsilva@ist.utl.pt" target="_blank">nelsonflsilva@ist.utl.pt</a>> wrote:<br>
<br>
Thank you for the fast response!<br>
<br>
Yes. The last rows of the matrix are indeed more dense, compared with the remaining ones.<br>
For this example, concerning load balance between machines, the last process had 46% of the matrix nonzero entries. A few weeks ago I suspected of this problem and wrote a little function that could permute the matrix rows based on their number of nonzeros. However, the matrix would become less pleasant regarding "diagonal block weight", and I stop using it as i thought I was becoming worse.<br>
<br>
Also, due to this problem, I thought I could have a complete vector copy in each processor, instead of a distributed vector. I tried to implement this idea, but had no luck with the results. However, even if this solution would work, the communication for vector update was inevitable once each iteration of my algorithm.<br>
Since this is a rectangular matrix, I cannot apply RCM or such permutations, however I can permute rows and columns though.<br>
<br>
More specifically, the problem I'm trying to solve is one of balance the best guess and uncertainty estimates of a set of Input-Output subject to linear constraints and ancillary informations. The matrix is called an aggregation matrix, and each entry can be 1, 0 or -1. I don't know the cause of its nonzero structure. I'm addressing this problem using a weighted least-squares algorithm.<br>
<br>
I ran the code with a different, more friendly problem topology, logging the load of nonzero entries and the "diagonal load" per processor.<br>
I'm sending images of both matrices nonzero structure. The last email example used matrix1, the example in this email uses matrix2.<br>
Matrix1 (last email example) is 1.098.939 rows x 2.039.681 columns and 5.171.901 nnz.<br>
The matrix2 (this email example) is 800.000 rows x 8.800.000 columns and 16.800.000 nnz.<br>
<br>
<br>
With 1,2,3 machines, I have these distributions of nonzeros (using matrix2). I'm sending the logs in this email.<br>
1 machine<br>
[0] Matrix diagonal_nnz:16800000 (100.00 %)<br>
[0] Matrix local nnz: 16800000 (100.00 %), local rows: 800000 (100.00 %)<br>
ExecTime: 4min47sec<br>
<br>
2 machines<br>
[0] Matrix diagonal_nnz:4400000 (52.38 %)<br>
[1] Matrix diagonal_nnz:4000000 (47.62 %)<br>
<br>
[0] Matrix local nnz: 8400000 (50.00 %), local rows: 400000 (50.00 %)<br>
[1] Matrix local nnz: 8400000 (50.00 %), local rows: 400000 (50.00 %)<br>
ExecTime: 13min23sec<br>
<br>
3 machines<br>
[0] Matrix diagonal_nnz:2933334 (52.38 %)<br>
[1] Matrix diagonal_nnz:533327 (9.52 %)<br>
[2] Matrix diagonal_nnz:2399999 (42.86 %)<br>
<br>
[0] Matrix local nnz: 5600007 (33.33 %), local rows: 266667 (33.33 %)<br>
[1] Matrix local nnz: 5600007 (33.33 %), local rows: 266667 (33.33 %)<br>
[2] Matrix local nnz: 5599986 (33.33 %), local rows: 266666 (33.33 %)<br>
ExecTime: 20min26sec<br>
<br>
As for the network, I ran the make streams NPMAX=3 again. I'm also sending it in this email.<br>
<br>
I too think that these bad results are caused by a combination of bad matrix structure, especially the "diagonal weight", and maybe network.<br>
<br>
I really should find a way to permute these matrices to a more friendly structure.<br>
<br>
Thank you very much for the help.<br>
Nelson<br>
<br>
Em 2015-08-22 22:49, Barry Smith escreveu:<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
On Aug 22, 2015, at 4:17 PM, Nelson Filipe Lopes da Silva <<a href="mailto:nelsonflsilva@ist.utl.pt" target="_blank">nelsonflsilva@ist.utl.pt</a>> wrote:<br>
<br>
Hi.<br>
<br>
<br>
I managed to finish the re-implementation. I ran the program with 1,2,3,4,5,6 machines and saved the summary. I send each of them in this email.<br>
In these executions, the program performs Matrix-Vector (MatMult, MatMultAdd) products and Vector-Vector operations. From what I understand while reading the logs, the program takes most of the time in "VecScatterEnd".<br>
In this example, the matrix taking part on the Matrix-Vector products is not "much diagonal heavy".<br>
The following numbers are the percentages of nnz values on the matrix diagonal block for each machine, and each execution time.<br>
NMachines                      %NNZ       ExecTime<br>
1                   machine0   100%;      16min08sec<br>
<br>
2                   machine0   91.1%;     24min58sec<br>
                    machine1   69.2%;<br>
<br>
3                   machine0   90.9%      25min42sec<br>
                    machine1   82.8%<br>
                    machine2   51.6%<br>
<br>
4                   machine0   91.9%      26min27sec<br>
                    machine1   82.4%<br>
                    machine2   73.1%<br>
                    machine3   39.9%<br>
<br>
5                   machine0   93.2%      39min23sec<br>
                    machine1   82.8%<br>
                    machine2   74.4%<br>
                    machine3   64.6%<br>
                    machine4   31.6%<br>
<br>
6                   machine0   94.2%      54min54sec<br>
                    machine1   82.6%<br>
                    machine2   73.1%<br>
                    machine3   65.2%<br>
                    machine4   55.9%<br>
                    machine5   25.4%<br>
</blockquote>
<br>
  Based on this I am guessing the last rows of the matrix have a lot<br>
of nonzeros away from the diagonal?<br>
<br>
  There is a big load imbalance in something: for example with 2<br>
processes you have<br>
<br>
VecMax             10509 1.0 2.0602e+02 4.2 0.00e+00 0.0 0.0e+00<br>
0.0e+00 1.1e+04  9  0  0  0 72   9  0  0  0 72     0<br>
VecScatterEnd      18128 1.0 8.9404e+02 1.3 0.00e+00 0.0 0.0e+00<br>
0.0e+00 0.0e+00 53  0  0  0  0  53  0  0  0  0     0<br>
MatMult            10505 1.0 6.5591e+02 1.4 3.16e+10 1.4 2.1e+04<br>
1.2e+06 0.0e+00 37 33 58 38  0  37 33 58 38  0    83<br>
MatMultAdd          7624 1.0 7.0028e+02 2.3 3.26e+10 2.1 1.5e+04<br>
2.8e+06 0.0e+00 34 29 42 62  0  34 29 42 62  0    69<br>
<br>
 the 5th column has the imbalance between slowest and fastest<br>
process. It is 4.2 for max, 1.4 for multi and 2.3 for matmultadd, to<br>
get good speed ups these need to be much closer to 1.<br>
<br>
 How many nonzeros in the matrix are there per process? Is it very<br>
different for difference processes? You really need to have each<br>
process have similar number of matrix nonzeros.   Do you have a<br>
picture of the nonzero structure of the matrix?  Where does the matrix<br>
come from, why does it have this structure?<br>
<br>
 Also likely there are just to many vector entries that need to be<br>
scattered to the last process for the matmults.<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
<br>
In this implementation I'm using MatCreate and VecCreate. I'm also leaving the partition sizes in PETSC_DECIDE.<br>
<br>
Finally, to run the application, I'm using mpirun.hydra from mpich, downloaded by PETSc configure script.<br>
I'm checking the process assignment as suggested on the last email.<br>
<br>
Am I missing anything?<br>
</blockquote>
<br>
 Your network is very poor; likely ethernet. It is had to get much<br>
speedup with such slow reductions and sends and receives.<br>
<br>
Average time to get PetscTime(): 1.19209e-07<br>
Average time for MPI_Barrier(): 0.000215769<br>
Average time for zero size MPI_Send(): 5.94854e-05<br>
<br>
 I think you are seeing such bad results due to an unkind matrix<br>
nonzero structure giving per load balance and too much communication<br>
and a very poor computer network that just makes all the needed<br>
communication totally dominate.<br>
<br>
<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
<br>
Regards,<br>
Nelson<br>
<br>
Em 2015-08-20 16:17, Matthew Knepley escreveu:<br>
<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
On Thu, Aug 20, 2015 at 6:30 AM, Nelson Filipe Lopes da Silva <<a href="mailto:nelsonflsilva@ist.utl.pt" target="_blank">nelsonflsilva@ist.utl.pt</a>> wrote:<br>
Hello.<br>
<br>
I am sorry for the long time without response. I decided to rewrite my application in a different way and will send the log_summary output when done reimplementing.<br>
<br>
As for the machine, I am using mpirun to run jobs in a 8 node cluster. I modified the makefile on the steams folder so it would run using my hostfile.<br>
The output is attached to this email. It seems reasonable for a cluster with 8 machines. From "lscpu", each machine cpu has 4 cores and 1 socket.<br>
1) You launcher is placing processes haphazardly. I would figure out how to assign them to certain nodes<br>
2) Each node has enough bandwidth for 1 core, so it does not make much sense to use more than 1.<br>
 Thanks,<br>
   Matt<br>
<br>
Cheers,<br>
Nelson<br>
<br>
<br>
Em 2015-07-24 16:50, Barry Smith escreveu:<br>
It would be very helpful if you ran the code on say 1, 2, 4, 8, 16<br>
... processes with the option -log_summary and send (as attachments)<br>
the log summary information.<br>
<br>
  Also on the same machine run the streams benchmark; with recent<br>
releases of PETSc you only need to do<br>
<br>
cd $PETSC_DIR<br>
make streams NPMAX=16 (or whatever your largest process count is)<br>
<br>
and send the output.<br>
<br>
I suspect that you are doing everything fine and it is more an issue<br>
with the configuration of your machine. Also read the information at<br>
<a href="http://www.mcs.anl.gov/petsc/documentation/faq.html#computers" rel="noreferrer" target="_blank">http://www.mcs.anl.gov/petsc/documentation/faq.html#computers</a> on<br>
"binding"<br>
<br>
 Barry<br>
<br>
On Jul 24, 2015, at 10:41 AM, Nelson Filipe Lopes da Silva <<a href="mailto:nelsonflsilva@ist.utl.pt" target="_blank">nelsonflsilva@ist.utl.pt</a>> wrote:<br>
<br>
Hello,<br>
<br>
I have been using PETSc for a few months now, and it truly is fantastic piece of software.<br>
<br>
In my particular example I am working with a large, sparse distributed (MPI AIJ) matrix we can refer as 'G'.<br>
G is a horizontal - retangular matrix (for example, 1,1 Million rows per 2,1 Million columns). This matrix is commonly very sparse and not diagonal 'heavy' (for example 5,2 Million nnz in which ~50% are on the diagonal block of MPI AIJ representation).<br>
To work with this matrix, I also have a few parallel vectors (created using MatCreate Vec), we can refer as 'm' and 'k'.<br>
I am trying to parallelize an iterative algorithm in which the most computational heavy operations are:<br>
<br>
->Matrix-Vector Multiplication, more precisely G * m + k = b (MatMultAdd). From what I have been reading, to achive a good speedup in this operation, G should be as much diagonal as possible, due to overlapping communication and computation. But even when using a G matrix in which the diagonal block has ~95% of the nnz, I cannot get a decent speedup. Most of the times, the performance even gets worse.<br>
<br>
->Matrix-Matrix Multiplication, in this case I need to perform G * G' = A, where A is later used on the linear solver and G' is transpose of G. The speedup in this operation is not worse, although is not very good.<br>
<br>
->Linear problem solving. Lastly, In this operation I compute "Ax=b" from the last two operations. I tried to apply a RCM permutation to A to make it more diagonal, for better performance. However, the problem I faced was that, the permutation is performed locally in each processor and thus, the final result is different with different number of processors. I assume this was intended to reduce communication. The solution I found was<br>
1-calculate A<br>
2-calculate, localy to 1 machine, the RCM permutation IS using A<br>
3-apply this permutation to the lines of G.<br>
This works well, and A is generated as if RCM permuted. It is fine to do this operation in one machine because it is only done once while reading the input. The nnz of G become more spread and less diagonal, causing problems when calculating G * m + k = b.<br>
<br>
These 3 operations (except the permutation) are performed in each iteration of my algorithm.<br>
<br>
So, my questions are.<br>
-What are the characteristics of G that lead to a good speedup in the operations I described? Am I missing something and too much obsessed with the diagonal block?<br>
<br>
-Is there a better way to permute A without permute G and still get the same result using 1 or N machines?<br>
<br>
<br>
I have been avoiding asking for help for a while. I'm very sorry for the long email.<br>
Thank you very much for your time.<br>
Best Regards,<br>
Nelson<br>
<br>
<br>
--<br>
What most experimenters take for granted before they begin their experiments is infinitely more interesting than any results to which their experiments lead.<br>
-- Norbert Wiener<br>
</blockquote>
<br>
<br>
<Log01P.txt><Log02P.txt><Log03P.txt><Log04P.txt><Log05P.txt><Log06P.txt><br>
</blockquote></blockquote>
<br>
<Log01P.txt><Log02P.txt><Log03P.txt><matrix1.png><matrix2.png><streams.out><br>
</blockquote></blockquote>
</div></div></blockquote></div><br><br clear="all"><div><br></div>-- <br><div class="gmail_signature">What most experimenters take for granted before they begin their experiments is infinitely more interesting than any results to which their experiments lead.<br>-- Norbert Wiener</div>
</div></div>