进入多核时代的C++

进入多核时代的C++

几年之前,CPU的性能还主要取决于CPU的主频,经过超摩尔定律的发展后,没过多长时间CPU的主频速度就已接近极限,使得单单靠提高CPU的主频来提升性能变得非常困难。

    目前,IntelAMDCPU生产商都转而采用了多核技术来提升CPU性能,甚至提出了群核CPU的概念。这意味着,要充分发挥多核CPU的性能,程序就必须采用多线程并发计算的方式,传统的串行程序将会极大地浪费多核CPU的运算能力!
    C++
是上世纪80年代诞生的语言,它的前身是同样风靡全球的C语言。一直以来它都以代码效率卓越著称,进入多核时代后,因为C++标准库没有提供多线程支持,要用C++开发出充分利用多核CPU的程序将面临很大挑战。
   
于是,在C++社区出现了不少优秀的库以支持并行编程,如各种跨平台的线程库,OpenMPClik++等。另一方面,微软也从Win2K开始不断地加入线程池API(如QueueUserWorkItem),C++09标准也明确地表示要加入多线程的支持。
   
   
使用线程库编写并行程序的优点是可以精确调度各个线程,并且可以在所有C++编译器里使用。不过要充分发挥多核CPU的性能,还要考虑很多因素,主要难点有:

·   死锁    编写多线程必然会遇到同步问题,如果同步控制出现问题,就可能出现死锁或脏数据。

·   线程之间通信    使用何种机制在多个线程之间通信?即要保证通信数据同步又要保证效率。

·   负载平衡    分配到每个线程的工作量要尽量平衡,避免一个线程忙一个线程闲的情形发生。

·    资源匹配    程序应该使用多少个线程?过少的线程不能充分利用CPU的多核优势,而过多的线程会造成线程调度过于频繁同样会降低效率。

    OpenMP是目前比较流行的C++并行编程方式,它通过在代码中插入专用的pragma编译指令来指示编译器把串行代码编译成并行程序。
   
它的优点是易于使用,几乎不用修改原代码就可对老程序进行并发支持的改造。问题是它必须要有编译器的支持,尽管目前不少编译器都提供了OpenMP的支持,但它毕竟不是C++的一部分,甚至它都不是真正意义上的C++库。使用OpenMPC++代码看上去总是有些怪异(个人观点^_^)。
   
   
现在,我们又有了一个新选择:Intel Thread Building BlocksTBB,线程构建模块)。TBB是一个开源的C++模板库,能够运行在 WindowsLinuxMacintosh以及UNIX等系统上,只要是标准的C++编译器都可以使用它。

    TBB的功能和优势

功能

优势

基于任务的并行化

在逻辑任务而非物理线程的角度来指定线程功能

·                让开发者关注更高层的可扩展任务级模式而非底层的线程机制

·                使用被证实可有效利用多内核的数据分解提取技术

·                自动负载平衡

·                高效地支持嵌套并行化,允许从一个并行组件中建立出一个新的并行组件

并行算法

从库中选择高效并行算法模板,即可快速地获得多核处理器带来的优势。

·                快速应用为并行性能及可量测性而设计的算法。

·                范型模板让你轻易地把它们定制成你所需要的算法。

·                支持简单插件部署到应用中提升软件速度,优化内核和本地缓存。

·                依靠预置的并行结构,在很多情况下都能减少生产多线程软件的工作量。

跨平台支持

编写一次应用就可以部署到多个操作系统中。

·                32位和64位的Windows*Linux* Mac OS* X 平台提供一种解决方案。

·                支持IntelMicrosoftGNU的业界领先的编译器。

·                加快在多种多核平台中部署应用软件的速度。

程序库级解决方案

只需花费很小的精力就可得到高优化的并行功能。

·                你的 C++ 应用程序只需调用Intel Threading Building Blocks 库。

·                标准 C++ - 不需要使用新语言重写代码。

·                兼容其它线程包。

·                可无限制地和你的软件一起分发运行时库。

·                无缝整合到已有的开发环境中。

高并发容器

优化处理器的能力实现任务并发

·                使用线程安全并且高并发的接口简化多线程应用的开发。

·                使用预测试的数据结构提升应用软件质量。

·                更高效率的内核或处理器多路执行来提升应用软件性能。

示例:

    TBB写并行transform代替原std::transform

1.         #include <iostream>

2.         #include <algorithm>

3.         #include <vector>

4.         #include <list>

5.         #include <math.h>

6.         #include <tbb/task_scheduler_init.h>

7.         #include <tbb/blocked_range.h>

8.         #include <tbb/parallel_for.h>

9.         #include <tbb/pipeline.h>

10.     #include <tbb/tick_count.h>

11.     //-----------------随机存取迭代器版本-------------------------------------

12.     //both_random_helper,作用:测试两个模板是否都是random_access_iterator_tag

13.     //是则Iter_cat返回random_access_iterator_tag

14.     //否则返回forward_iterator_tag

15.     template<class _Cat1, class _Cat2>

16.     struct both_random_helper{

17.         typedef std::forward_iterator_tag Iter_cat;

18.     };

19.     template<>

20.     struct both_random_helper<

21.         std::random_access_iterator_tag,

22.         std::random_access_iterator_tag>{

23.         typedef std::random_access_iterator_tag Iter_cat;

24.     };

25.     // 用于存放一对迭代器

26.     template<class _InIt, class _OutIt>

27.     struct Iter_pair{

28.         _InIt m_in;

29.         _OutIt m_out;

30.         Iter_pair(_InIt _in, _OutIt _out)

31.             :m_in(_in),m_out(_out){}

32.         //支持blocked_range拆分

33.         Iter_pair operator+(size_t off) const

34.         {

35.             return Iter_pair(m_in+off, m_out+off);

36.         }

37.         size_t operator-(Iter_pair rhs) const

38.         {

39.             return m_in-rhs.m_in;

40.         }

41.         bool operator<(Iter_pair rhs) const

42.         {

43.             return m_in<rhs.m_in;

44.         }

45.     };

46.     // 随机存取迭代器版本

47.     template<class _InIt, class _OutIt, class _Fn1>

48.     struct op_parallel_transform{

49.         op_parallel_transform(_Fn1 _Func)

50.             :m_Func(_Func){}

51.         void operator()(const tbb::blocked_range<Iter_pair<_InIt,_OutIt> > &r) const

52.         {

53.             std::transform(r.begin().m_in, r.end().m_in, r.begin().m_out, m_Func);

54.         }

55.     private:

56.         _Fn1 m_Func;

57.     };

58.     template<class _InIt, class _OutIt, class _Fn1>

59.     _OutIt _parallel_transform(_InIt _First, _InIt _Last, _OutIt _Dest, _Fn1 _Func, std::random_access_iterator_tag)

60.     {

61.         // 使用parallel_for来处理

62.         typedef typename Iter_pair<_InIt,_OutIt> iter_pair_type;

63.         _OutIt LastDest = _Dest + (_Last - _First);

64.         iter_pair_type begin(_First, _Dest);

65.         iter_pair_type end(_Last, LastDest);

66.         tbb::blocked_range<iter_pair_type> x(begin, end);

67.         tbb::parallel_for(x, op_parallel_transform<_InIt,_OutIt,_Fn1>(_Func), tbb::auto_partitioner());

68.         return LastDest;

69.     }

70.     //-----------------顺序存取迭代器版本-------------------------------------

71.     template<class _InIt>

72.     struct filter_in : tbb::filter{

73.         filter_in(_InIt _First, _InIt _Last)

74.             :tbb::filter(true),m_First(_First), m_Last(_Last){}

75.         void* operator()(void*)

76.         {

77.             if(m_First==m_Last) return NULL;

78.             void* p = &(*m_First);

79.             ++m_First;

80.             return p;

81.         }

82.     private:

83.         _InIt m_First, m_Last;

84.     };

85.     template<class _Fn1>

86.     struct filter_process : tbb::filter{

87.         typedef typename _Fn1::result_type r_type;

88.         typedef typename _Fn1::argument_type a_type;

89.         filter_process(_Fn1 _Func)

90.             :tbb::filter(false),m_Func(_Func){}

91.         void* operator()(void* data)

92.         {

93.             a_type &at = *(a_type*)data;

94.             m_r = m_Func( at );

95.             return &m_r;

96.         }

97.     private:

98.         _Fn1 m_Func;

99.         r_type m_r;

100. };

101. template<class _OutIt, class _DataType>

102. struct filter_out : tbb::filter{

103.     filter_out(_OutIt _Dest)

104.         :tbb::filter(true),m_Dest(_Dest){}

105.     void* operator()(void* data)

106.     {

107.         _DataType *p = (_DataType*) data;

108.         *m_Dest = *p;

109.         ++m_Dest;

110.         return NULL;

111.     }

112. private:

113.     _OutIt m_Dest;

114. };

115. template<class _InIt, class _OutIt, class _Fn1>

116. _OutIt _parallel_transform(_InIt _First, _InIt _Last, _OutIt _Dest, _Fn1 _Func, std::forward_iterator_tag)

117. {

118.     // 使用管线pipeline来处理

119.     tbb::pipeline pipeline;

120.     filter_in<_InIt> f1(_First, _Last);

121.     filter_process<_Fn1> f2(_Func);

122.     filter_out<_OutIt, _Fn1::result_type> f3(_Dest);

123.     pipeline.add_filter(f1);

124.     pipeline.add_filter(f2);

125.     pipeline.add_filter(f3);

126.     pipeline.run(3);

127.     return _Dest;

128. }

129. //----------------------parallel_transform----------------------------

130. template<class _InIt, class _OutIt, class _Fn1>

131. inline

132. _OutIt parallel_transform(_InIt _First, _InIt _Last, _OutIt _Dest, _Fn1 _Func)

133. {

134.     typedef typename std::iterator_traits<_InIt>::iterator_category cat1;

135.     typedef typename std::iterator_traits<_OutIt>::iterator_category cat2;

136.     return _parallel_transform(_First, _Last, _Dest, _Func, both_random_helper<cat1,cat2>::Iter_cat());

137. }

138. // 测试代码

139. struct SinFunctor

140.     :std::unary_function<double, double>{

141.     double operator()(double &d) const

142.     {

143.         // 高强度运算

144.         double sum = 0;

145.         for(int i=0; i<10000; i++)  sum += sin(i*d);

146.         return sum;

147.     }

148. };

149. int main()

150. {

151.     // 随机存取迭代

152.     std::vector<double> a(10000,1.5);

153.     // 顺序存取迭代

154.     std::list<double>   b(10000,1.5);

155.     tbb::task_scheduler_init init;

156.     tbb::tick_count t0,t1;

157.     t0 = tbb::tick_count::now();

158.     parallel_transform(a.begin(), a.end(), a.begin(), SinFunctor());

159.     t1 = tbb::tick_count::now();

160.     std::cout << "并行(随机迭代)" << (t1 - t0).seconds() << std::endl;

161.   

162.     t0 = tbb::tick_count::now();

163.     std::transform(a.begin(), a.end(), a.begin(), SinFunctor());

164.     t1 = tbb::tick_count::now();

165.     std::cout << "原版(随机迭代)" << (t1 - t0).seconds() << std::endl;

166.     t0 = tbb::tick_count::now();

167.     parallel_transform(b.begin(), b.end(), b.begin(), SinFunctor());

168.     t1 = tbb::tick_count::now();

169.     std::cout << "并行(顺序迭代)" << (t1 - t0).seconds() << std::endl;

170.     t0 = tbb::tick_count::now();

171.     std::transform(b.begin(), b.end(), b.begin(), SinFunctor());

172.     t1 = tbb::tick_count::now();

173.     std::cout << "原版(顺序迭代)"<< (t1 - t0).seconds() << std::endl;

174.   

175.     std::cin.get();

176.     return 0;

177. }

在我的双核Centrino电脑上测试结果如下:

并行(随机迭代)3.17299
原版(随机迭代)5.41531
并行(顺序迭代)3.13054
原版(顺序迭代)5.33182

    在顺序存取迭代器版本的_parallel_transform中,因为迭代器不能随意跳转,所以使用了tbb::pipeline加三个filter分别执行顺序读取,处理和写入。其中的处理是可以并行处理的。从上面的结果可以看出,pipeline的性能甚至不亚于parallel_for循环。关于 pipeline的使用说明,请参考文章:TBB流水线
   
这里写的parallel_transform可以直接替换大家原有代码中的std::transform,当然如果有兴趣的话完全可以把标准库中的算法全用TBB改写成并行算法。不过要注意的一点是并不是任何地方都适合使用并行运算的,象这个例子中测试用的处理算子是
for(int i=0; i<10000; i++)  sum += sin(i*d);这样的需要耗时较长的运算,如果把它改成return sin(d);。那么考虑到线程调度以及TBB的任务调度,并行算法的效率可能还不如串行算法。

    TBB
库可以从这里下载:http://www.threadingbuildingblocks.org/download.php
   
另外再推荐几篇TBB入门文章:
    Intel Threading Building Blocks 并行循环
    Intel Threading Building Blocks 并发容器
    Intel Threading Building Blocks 基于任务编程

相信度过了自己的20岁生日之后的C++,在多核时候将再创辉煌!

 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值