鉴于以下代码......
for (size_t i = 0; i < clusters.size(); ++i)
{
const std::set<int>& cluster = clusters[i];
// ... expensive calculations ...
for (int j : cluster)
velocity[j] += f(j);
}
...我想在多个CPU /核心上运行。函数f
不使用velocity
。
第一个for循环之前的简单#pragma omp parallel for
将产生不可预测/错误的结果,因为std::vector<T> velocity
在内循环中被修改。多个线程可以同时访问和(尝试)修改velocity
的相同元素。
我认为第一个解决方案是在#pragma omp atomic
操作之前编写velocity[j] += f(j);
。这给了我一个编译错误(可能与类型Eigen::Vector3d
或velocity
是类成员的元素有关)。此外,与每个线程拥有一个私有变量并最终进行减少相比,我认为原子操作非常慢。我想这就是我想做的事。
我想出了这个:
#pragma omp parallel
{
// these variables are local to each thread
std::vector<Eigen::Vector3d> velocity_local(velocity.size());
std::fill(velocity_local.begin(), velocity_local.end(), Eigen::Vector3d(0,0,0));
#pragma omp for
for (size_t i = 0; i < clusters.size(); ++i)
{
const std::set<int>& cluster = clusters[i];
// ... expensive calculations ...
for (int j : cluster)
velocity_local[j] += f(j); // save results from the previous calculations
}
// now each thread can save its results to the global variable
#pragma omp critical
{
for (size_t i = 0; i < velocity_local.size(); ++i)
velocity[i] += velocity_local[i];
}
}
这是一个很好的解决方案吗?它是最佳解决方案吗? (甚至正确?)
进一步的想法:使用reduce
子句(而不是critical
部分)会引发编译器错误。我认为这是因为velocity
是一个班级成员。
我试图找到一个类似问题的问题,this问题看起来几乎一样。但我认为我的案例可能不同,因为最后一步包括for
循环。还有一个问题是这是否是最佳方法仍然存在。
修改:每条评论的请求:reduction
条款......
#pragma omp parallel reduction(+:velocity)
for (omp_int i = 0; i < velocity_local.size(); ++i)
velocity[i] += velocity_local[i];
...抛出以下错误:
错误C3028:'ShapeMatching :: velocity':只能在数据共享子句中使用变量或静态数据成员
(与g++
类似的错误)
答案 0 :(得分:1)
你正在减少数组。我已多次描述过这种情况(例如reducing an array in openmp和fill histograms array reduction in parallel with openmp without using a critical section)。您可以在有或没有关键部分的情况下执行此操作。
您已经使用关键部分(在最近的编辑中)正确完成了这一操作,因此,让我在没有关键部分的情况下描述如何执行此操作。
std::vector<Eigen::Vector3d> velocitya;
#pragma omp parallel
{
const int nthreads = omp_get_num_threads();
const int ithread = omp_get_thread_num();
const int vsize = velocity.size();
#pragma omp single
velocitya.resize(vsize*nthreads);
std::fill(velocitya.begin()+vsize*ithread, velocitya.begin()+vsize*(ithread+1),
Eigen::Vector3d(0,0,0));
#pragma omp for schedule(static)
for (size_t i = 0; i < clusters.size(); i++) {
const std::set<int>& cluster = clusters[i];
// ... expensive calculations ...
for (int j : cluster) velocitya[ithread*vsize+j] += f(j);
}
#pragma omp for schedule(static)
for(int i=0; i<vsize; i++) {
for(int t=0; t<nthreads; t++) {
velocity[i] += velocitya[vsize*t + i];
}
}
}
这种方法需要额外的小心/调整,因为我没有做错误的共享。
关于哪种方法更好,你必须进行测试。