我正在为科学计算社区开发代码，特别是迭代地求解线性方程组（Ax = b形式）。
我已经将BLAS和LAPACK用于原始矩阵子程序，但我现在意识到手动并行化有一定的余地。我正在开发一个共享内存系统，它有两个选择：OpenMP和PThreads。
假设时间不是最大的因素（和代码的性能），这是一个更好的，未来的证明，也许，可移植（到CUDA）并行化的方式？花在使用Pthreads上花费的时间是否值得提升？
我相信我的应用程序（基本上处理一次启动许多事情，然后根据所有这些事项的“最佳”值进行操作），将受益于显式线程控制，但我担心编码会占用太多时间，最后不会有绩效回报。
我已经在这里看过几个类似的问题，但它们都与一般应用有关。
This关于Linux中的通用多线程应用程序。
This也是一个普遍的问题。
我知道SciComp.SE，但觉得这里的主题更多。
答案 0 :(得分：7)
您的问题看起来好像您希望OpenMP的编码效率高于Pthreads，Pthreads的执行效率高于OpenMP。总的来说，我认为你是对的。然而，不久前我决定我的时间比计算机的时间更重要，并选择了OpenMP。这不是我有理由后悔的决定，也不是我有任何确凿证据可以证实的决定。
但是你认为你的选择仅限于OpenMP和Pthreads是错误的，MPI（我假设你至少听说过这个，如果没有再发布的话）也会在共享内存机器上运行。对于某些应用程序，可以对MPI进行编程，使其在共享内存计算机上的性能不会太高。
三年（+/-几年）科学开发人员工具箱中的基本并行化工具是OpenMP和MPI。使用这些工具的任何人都是大型用户社区的一部分，比Pthreads和MPI的用户社区更大（仅仅是轶事证据）。今天，随着GPU和其他加速器逐渐涌现，情况更加分散，很难从HMPP，ACC，Chapel，MPI-3，OpenMP4，CUDA，OpenCL等中选出一名获胜者。我仍然认为OpenMP + MPI是一个有用的组合，但不能忽视块上的新孩子。
FWIW我致力于开发用于地球物理应用的计算EM代码，因此非常核心的“科学计算”。
答案 1 :(得分：2)
我意识到我的答案很长，所以我先把结论作为不耐烦的人：
简答：
我会说openMP和pthreads基本相同，你应该选择最少的开发时间给你（如果它符合你的需要，可能是openMP）。但是如果你想投入开发时间，也许你应该重新设计你的代码，以便它可以适应其他范例（例如矢量化以利用SSE / AVX或GPU）。
<强>开发：
如果你开发线性求解器，我假设你的代码将（非常）长寿（即它可能会比将使用它的物理模型更长）。在这种情况下，特别是如果您没有大型开发团队，我认为您的选择主要取决于开发时间，可维护性和
另外，你不应该认为今天的“最佳”选择（无论“最佳”可能意味着什么）明天可能仍然不是“最佳”选择。所以，即使你现在面临着 openMP vs pthreads 问题（现在甚至频谱已经超过@ HighPerformanceMark答案中所说的那个），你应该期望有更多选择来自在将来。
如果您现在有开发时间，那么我会说，如果您可以在代码中抽象所有计算密集型内核，以便您可以轻松地将它们适应不同的并行化范例，那么投资会更好。在这方面，最重要（也是最困难）的事情是数据结构：从GPGPU计算的合并中受益，需要将数据放在与传统缓存优化方式不同的顺序中。
这导致我得出结论：所有基于线程的解决方案基本上是等效的（在性能和代码架构方面），您应该选择需要最少开发时间的解决方案。但是如果你想投入开发时间，也许你应该重新设计你的代码，以便它可以并行化或矢量化（从而利用SSE / AVX或GPU）。如果您设法做到这一点，您将能够遵循硬件/软件演进并保持性能。
答案 2 :(得分：1)
要添加已经很好的答案：OpenMP通常比我编写pthreads时更好地并行化代码。鉴于OpenMP也更容易，如果这些是我的选择，我总是选择它。我怀疑如果你问这个问题你不是一个pthread大师，所以我也建议使用OpenMP而不是pthreads。