哈斯克尔和可变结构的表现

我正在研究优化Haskell代码中给出的答案,并注意到与Python相比,使用小输入确实会导致Haskell运行更快。

但随着数据集的规模不断扩大,Python占据了领先地位。 使用基于散列表的版本提高了性能,但仍然落后。

更糟糕的是,我尝试将Python的字典转换为哈希表,并观察到了一个艰难的性能问题。 我真的很想知道发生了什么,因为我需要为将来的应用程序使用可变结构。

这里稍微修改一下Python代码:

#! /usr/bin/env python2.7
import random
import re
import cPickle

class Markov:
    def __init__(self, filenames):
        self.filenames = filenames
        self.cache = self.train(self.readfiles())
        picklefd = open("dump", "w")
        cPickle.dump(self.cache, picklefd)
    print "Built a db of length "+str(len(self.cache))
        picklefd.close()

    def train(self, text):
        splitted = text.split(' ')
        print "Total of %d splitted words" % (len(splitted))
        cache = {}
        for i in xrange(len(splitted)-2):
            pair = (splitted[i], splitted[i+1])
            followup = splitted[i+2]
            if pair in cache:
                if followup not in cache[pair]:
                    cache[pair][followup] = 1
                else:
                    cache[pair][followup] += 1
            else:
                cache[pair] = {followup: 1}
        return cache

    def readfiles(self):
        data = ""
        for filename in self.filenames:
            fd = open(filename)
            data += fd.read()
            fd.close()
        return data

Markov(["76.txt"])

Haskell与原始响应( train4 ),其哈希映射变体( trainHM2 )和哈希表音译( trainHT ):

{-# LANGUAGE BangPatterns,DeriveGeneric #-}

import GHC.Generics (Generic)

import Data.List (foldl')
import Data.Hashable

import qualified Data.Map as M

import qualified Data.HashMap.Strict as HM
import qualified Data.ByteString.Char8 as B

import qualified Data.HashTable.IO as HT

--Using this instead of tuples yielded a 5~10% speedup
data StringTuple = STP !B.ByteString !B.ByteString deriving(Ord,Eq,Generic)
instance Hashable StringTuple

type Database3 = M.Map StringTuple (M.Map B.ByteString Int)
type DatabaseHM = HM.HashMap StringTuple (HM.HashMap B.ByteString Int)
type DatabaseHT = HT.BasicHashTable StringTuple DatabaseInnerHT
type DatabaseInnerHT = (HT.BasicHashTable B.ByteString Int)

train4 :: [B.ByteString] -> Database3
train4 words = foldl' update M.empty (zip3 words (drop 1 words) (drop 2 words))
    where update m (x,y,z) = M.insertWith' (inc z) (STP x y) (M.singleton z 1) m
          inc k _ = M.insertWith' (+) k 1

trainHM2 :: [B.ByteString] -> DatabaseHM
trainHM2 words = trainHM2G words HM.empty
    where 
    trainHM2G (x:y:[]) !hm = hm
    trainHM2G (x:y:z:rem) !hm = trainHM2G (y:z:rem) (HM.insertWith (inc z) (STP x y) (HM.singleton z 1) hm)
            where inc k _ = HM.insertWith (+) k 1


trainHT :: [B.ByteString] -> IO (DatabaseHT)
trainHT words = do 
 hm <- HT.new 

 trainHT' words hm 
 where 
  trainHT' (x:y:[]) !hm = return hm
  trainHT' (x:y:z:rem) !hm = do
   let pair = STP x y
   inCache <- HT.lookup hm pair
   case inCache of
    Nothing -> do
     htN <- HT.new :: IO (DatabaseInnerHT)
     HT.insert htN z $! 1
     HT.insert hm pair $! htN
    Just ht -> do
     cvM <- HT.lookup ht z
     case cvM of
      Nothing -> HT.insert ht z 1
      Just cv -> HT.insert ht z $! (cv+1)
   trainHT' (y:z:rem) hm

main = do contents <- B.readFile "76.txt"
      let bcont = B.split ' ' $ contents
      print $ length bcont
      let db = train4 $ bcont
      print $ "Built a DB of " ++ show (M.size db) ++ " words" 
      --let db = trainHM2 $ bcont
      --print $ "Built a DB of " ++ show (HM.size db) ++ " words"         
      --db <- trainHT $ (bcont)
      --print $ "Built a DB" 

一个临时C ++ 11音译(需要-fmissmiss编译,随时纠正它):

#include <iostream>
#include <fstream>
#include <sstream>
#include <vector>
#include <unordered_map>
#include <tuple>

/*
 Hash stuff here
 Taken from https://stackoverflow.com/a/7111460/314327
*/
size_t hash_combiner(size_t left, size_t right) //replacable
{ return left^right;}

template<int index, class...types>
struct hash_impl {
    size_t operator()(size_t a, const std::tuple<types...>& t) const {
        typedef typename std::tuple_element<index, std::tuple<types...>>::type nexttype;
        hash_impl<index-1, types...> next;
        size_t b = std::hash<nexttype>()(std::get<index>(t));
        return next(hash_combiner(a, b), t); 
    }
};
template<class...types>
struct hash_impl<0, types...> {
    size_t operator()(size_t a, const std::tuple<types...>& t) const {
        typedef typename std::tuple_element<0, std::tuple<types...>>::type nexttype;
        size_t b = std::hash<nexttype>()(std::get<0>(t));
        return hash_combiner(a, b); 
    }
};

namespace std {
    template<class...types>
    struct hash<std::tuple<types...>> {
        size_t operator()(const std::tuple<types...>& t) {
            const size_t begin = std::tuple_size<std::tuple<types...>>::value-1;
            return hash_impl<begin, types...>()(1, t); //1 should be some largervalue
        }
    };
}

/*
 Hash stuff end
*/

using namespace std;

/*
 Split, from https://stackoverflow.com/a/236803/314327
*/
vector<string> &split(const string &s, char delim, vector<string> &elems) {
 stringstream ss(s);
 string item;
 while (getline(ss, item, delim)) {
 elems.push_back(item);
 }
 return elems;
}

vector<string> split(const string &s, char delim) {
 vector<string> elems;
 split(s, delim, elems);
 return elems;
}
/*
 Split end
*/

typedef tuple<string,string> STP;

unordered_map< STP,unordered_map< string,int > > train(vector<string> &words)
{
 unordered_map< STP,unordered_map< string,int > > cache; 

 for(int i=0;i<words.size()-2;i++)
 {
  STP tup = make_tuple(words[i],words[i+1]);
  auto it = cache.find(tup);
  if(it!=cache.end())
  {
   auto it2 = it->second.find(words[i+2]);
   if(it2!=it->second.end())
   {
    it2->second += 1;
   }
   else
    it->second[words[i+2]] = 1;
  }
  else
  {    
   unordered_map< string,int > cacheInner;
   cacheInner[words[i+2]] = 1;
   cache[tup] = cacheInner;
  }
 }

 return cache;
}

int main()
{
 ifstream ifs("76.txt");
 stringstream buf;
 buf << ifs.rdbuf();
 string contents(buf.str());

 auto words = split(contents,' '); 
 cout << words.size(); 

 auto wordCache = train(words);

 cout << "nHashtable count " << wordCache.size();

 cout << "n";
 return 0;
}

结果是:

C ++(GCC 4.6.3)

$ g++ -O3 -fpermissive -std=c++0x cpptest.cpp -o cpptest
$ /usr/bin/time -f "%E" ./cpptest
1255153

Hashtable count 64442
0:01.02

Python(2.7)

$ /usr/bin/time -f "%E" ./pytest.py 
Total of 1255153 splitted words
Built a db of length 64442
0:02.62

Haskell(GHC 7.4.1) - “train4”

$ ghc -fllvm -O2 -rtsopts -fforce-recomp -funbox-strict-fields hasktest.hs -o hasktest
[1 of 1] Compiling Main             ( hasktest.hs, hasktest.o )
Linking hasktest ...
$ /usr/bin/time -f "%E" ./hasktest
1255153
"Built a DB of 64442 words"
0:06.35

Haskell - “trainHM2”

$ /usr/bin/time -f "%E" ./hasktest
1255153
"Built a DB of 64442 words"
0:04.23

Haskell - “trainHT” - 使用Basic变体(接近Python为字典所做的事情,我猜?)

$ /usr/bin/time -f "%E" ./hasktest
1255153
"Built a DB"
0:10.42

对这两个表使用Linear或Cuckoo

0:06.06
0:05.69

在最外面的桌子上使用杜鹃,在里面使用线性

0:04.17

分析表明GC的数量非常多,因此使用+ RTS -A256M

0:02.11

对于输入数据,我选择了其中一个答案中指出的76.txt,并将整个文本复制了12次。 它应该达到约7 MB。

测试是在一个VirtualBox容器的Ubuntu 12.04上运行的,使用一个i5-520M内核。 不止一次运行,所有结果都非常接近。

最后的结果对于这个微基准是非常好的,但是在代码中还有什么可以改进的地方 ,考虑到:

  • Cuckoo&Linear可能更适合这个数据集,但是“通用”Python解决方案在这方面没有多少优化就很好,
  • Valgrind报告说,C ++&Python版本大约需要60MBs而Haskell RTS则报告从同一任务的125MBs (杜鹃和线性)到409MBs (基本,更大的堆)内存。 不会在生产环境中调整垃圾收集器是否有害? 是否有可能重构代码,所以它的内存使用量更少?
  • 更新:

    我想“减少垃圾”是我正在寻找的。 我知道Haskell不能像C ++那样工作,但我想知道是否有可能减少命令代码中产生的垃圾,因为C ++示例在没有任何空间泄漏的情况下消耗了一半内存。 它希望是内存使用和执行时间方面的改进(因为GC会更少)。

    更新2:

    在构建表的过程中计算长度会降低内存占用量(实际上降低到40MBs左右),这会导致GC花费更长时间,从而导致执行时间变慢(由于丢弃了从名单,我想?)。

    是的,哈希表的操作需要花费大量的时间。 我会尝试模仿改动,看看它是否有进一步改善。


    这不是一个真正的答案,但是评论太多了,所以我会把它放在这里,直到有更好的东西出现。 我没有看到你的哈希表代码(我真正看过的唯一部分)有什么明显的错误,除了一些重构/打高尔夫。

    首先,内存使用情况对我来说并不是很令人惊讶。 使用-A256M ,您要求RTS的最小分配面积为256M,这样可以占用内存。 如果数据在GC之后被升级或复制,内存使用量将会增加。 另外请注意,相对于其他语言,Haskell数据结构往往有点内存空洞,请参阅Haskell数据类型的内存占用情况。 考虑到这两个因素,我并不感到有大量分配区域的内存使用总量。

    像HashMap或字符串trie这样的结构可以使用更少的内存,伴随使用哈希表以外的数据结构。

    说到分配区域,这个代码有点微乎其微,因为几乎所有分配的数据(主要是字节串数据和内部散列表值)都是长期存在的(它们持续到程序结束时)。 这使得您的测试程序处于一个非常大的分配区域特别有利的情况,而如果这个数据库构造只是较大程序的一部分,则较大区域的成本可能占主导地位。

    至于生产环境的最佳GC设置,很难告诉外部实际完整程序的环境。 我可以说,如果表现真的很重要,值得花些时间调整GC标志。 如果您启用了线程运行时,则更是如此。

    除了内存问题,我强烈怀疑哈希表包在这里对你有用。 根据配置文件,4个最delete'.go函数是lookup/golookupinsertdelete'.go 。 我认为如果它具有Data.Map.alter的等价物, Data.Map.alter您的一些操作可以合并以获得性能提升。 如果Python字典没有针对cache[key] += 1等情况进行优化,我会感到非常惊讶。

    链接地址: http://www.djcxy.com/p/74893.html

    上一篇: Haskell and mutable structures' performance

    下一篇: Dowloading image resources from https with LoopJ AndroidAsyncHttp