重新3表现和正确使用“现在”
这里有一个基本的monad问题，与Repa无关，再加上几个Repa的具体问题。
我正在使用Repa3开发一个库。 我无法获得高效的并行代码。 如果我让我的函数返回延迟数组，我得到的代码非常慢，可以扩展到8个内核。 这个代码每GHC分析器需要超过20GB的内存，并且比基本的Haskell unboxed向量慢几个数量级。
或者，如果我让所有函数都返回Unboxed清单数组（仍尝试在函数中使用融合，例如当我执行'映射'时），我会得到更快的代码（比使用Haskell unboxed矢量更慢），它不会根本没有规模，事实上，随着核心数量的增加，其速度会变慢。
基于Repa-Algorithms中的FFT示例代码，似乎正确的方法是始终返回清单数组。 有没有我应该返回延迟数组的情况？
FFT代码也充分利用'now'功能。 但是，当我尝试在我的代码中使用它时出现类型错误：
type Arr t r = Array t DIM1 r
data CycRingRepa m r = CRTBasis (Arr U r)
| PowBasis (Arr U r)
fromArray :: forall m r t. (BaseRing m r, Unbox r, Repr t r) => Arr t r -> CycRingRepa m r
fromArray =
let mval = reflectNum (Proxy::Proxy m)
in x ->
let sh:.n = extent x
in assert (mval == 2*n) PowBasis $ now $ computeUnboxedP $ bitrev x
代码编译良好，没有'现在'。 随着'现在'，我得到以下错误：
无法与类型r' with数组U（Z：。Int）匹配r''r'是一个刚性类型变量，由fromArray ::（BaseRing mr，Unbox r，Repr tr）=> Arr tr - > CycRingRepa mr at C： Users crockeea Documents Code LatticeLib CycRingRepa.hs：50：1预期类型：CycRingRepa mr实际类型：CycRingRepa m（Array U DIM1 r）
我不认为这是我的问题。 如果有人能够解释Monad如何在“现在”工作，那将会很有帮助。 据我最好的估计，monad似乎在创造一个'Arr U（Arr Ur）'。 我期待着一个'Arr U r'，它会匹配数据构造函数模式。 发生了什么，我该如何解决这个问题？
类型签名是：
computeUnboxedP :: Fill r1 U sh e => Array r1 sh e -> Array U sh e
now :: (Shape sh, Repr r e, Monad m) => Array r sh e -> m (Array r sh e)
更好地了解什么时候适合使用“现在”会有所帮助。
一些其他的Repa问题：我应该显式调用computeUnboxedP（如在FFT示例代码中），还是应该使用更通用的computeP（因为unbox部分是由我的数据类型推断的）？ 我应该在数据类型CycRingRepa中存储延迟或清单数组吗？ 最终，我还想让这段代码与Haskell Integers一起工作。 这是否需要我编写使用U数组以外其他代码的新代码，或者我可以编写多形态代码来创建用于unbox类型的U数组以及用于整数/盒装类型的其他数组？
我意识到这里有很多问题，我很欣赏任何/所有的答案！
Repa 3.1不再需要now明确使用。 并行计算函数都是deepSeqArray ，并自动将deepSeqArray应用于其结果。 repa-examples软件包还包含一个矩阵乘法的新实现，它演示了它们的用法。
这里是now的源代码：
now arr = do
arr `deepSeqArray` return ()
return arr
所以它实际上只是deepSeqArray版本。 您可以使用其中任何一种方式强制进行评估，而不是挂在thunk上。 这种“评估”与调用computeP时强制的“计算”不同。
在你的代码中， now不适用，因为你不在monad中。 但是在这种情况下， deepSeqArray也无济于事。 考虑这种情况：
x :: Array U Int Double
x = ...
y :: Array U Int Double
y = computeUnboxedP $ map f x
由于y指的是x ，所以我们希望在开始计算y之前确定x 。 如果没有，那么可用的工作将不会在这个团队中正确分配。 为了解决这个问题，最好把y写成
y = deepSeqArray x . computeUnboxedP $ map f x
现在，对于一个延迟阵列，我们有
deepSeqArray (ADelayed sh f) y = sh `deepSeq` f `seq` y
而不是计算所有元素，这只是使确保该形状被计算，并且降低f到弱头正常形式。
至于清单vs延迟数组，肯定有时间延迟数组是更可取的。
multiplyMM arr brr
= [arr, brr] `deepSeqArrays`
A.sumP (A.zipWith (*) arrRepl brrRepl)
where trr = computeUnboxedP $ transpose2D brr
arrRepl = trr `deepSeqArray` A.extend (Z :. All :. colsB :. All) arr
brrRepl = trr `deepSeqArray` A.extend (Z :. rowsA :. All :. All) trr
(Z :. _ :. rowsA) = extent arr
(Z :. colsB :. _ ) = extent brr
这里“扩展”通过复制一些新维度的值来生成一个新的数组。 特别是，这意味着
arrRepl ! (Z :. i :. j :. k) == arrRepl ! (Z :. i :. j' :. k)
值得庆幸的是， extend会产生一个延迟数组，因为经历所有这些复制的麻烦是很浪费的。
延迟阵列也允许融合的可能性，如果阵列是明显的，这是不可能的。
最后， computeUnboxedP只是具有特定类型的computeP 。 明确提供computeUnboxedP可能会使GHC更好地优化，并使代码更清晰一些。