OpenMP的一点使用经验

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/jacke121/article/details/65935878

参考:http://blog.sina.com.cn/s/blog_7462bf390101d8sd.html

 最近在看多核编程。简单来说,由于现在电脑CPU一般都有两个核,4核与8核的CPU也逐渐走入了寻常百姓家,传统的单线程编程方式难以发挥多核CPU的强大功能,于是多核编程应运而生。按照我的理解,多核编程可以认为是对多线程编程做了一定程度的抽象,提供一些简单的API,使得用户不必花费太多精力来了解多线程的底层知识,从而提高编程效率。这两天关注的多核编程的工具包括OpenMP和TBB。按照目前网上的讨论,TBB风头要盖过OpenMP,比如OpenCV过去是使用openMP的,但从2.3版本开始抛弃OpenMP,转向TBB。但我试下来,TBB还是比较复杂的,相比之下,OpenMP则非常容易上手。因为精力和时间有限,没办法花费太多时间去学习TBB,就在这里分享下这两天学到的OpenMP的一点知识,和大家共同讨论。

OpenMP支持的编程语言包括C语言、C++和Fortran,支持OpenMP的编译器包括Sun Studio,Intel Compiler,Microsoft Visual Studio,GCC。我使用的是Microsoft Visual Studio 2008,CPU为Intel i5 四核,首先讲一下在Microsoft Visual Studio 2008上OpenMP的配置。非常简单,总共分2步:

(1) 新建一个工程。这个不再多讲。

(2) 建立工程后,点击 菜单栏->Project->Properties,弹出菜单里,点击 Configuration Properties->C/C++->Language->OpenMP Support,在下拉菜单里选择Yes。

至此配置结束。下面我们通过一个小例子来说明openMP的易用性。这个例子是 有一个简单的test()函数,然后在main()里,用一个for循环把这个test()函数跑8遍。

  1. #include <iostream>  
  2. #include <time.h>  
  3. void test()  
  4. {  
  5.     int a = 0;  
  6.     for (int i=0;i<100000000;i++)  
  7.         a++;  
  8. }  
  9. int main()  
  10. {  
  11.     clock_t t1 = clock();  
  12.     for (int i=0;i<8;i++)  
  13.         test();  
  14.     clock_t t2 = clock();  
  15.     std::cout<<"time: "<<t2-t1<<std::endl;  
  16. }  

编译运行后,打印出来的耗时为:1.971秒。下面我们用一句话把上面代码变成多核运行。

  1. #include <iostream>  
  2. #include <time.h>  
  3. void test()  
  4. {  
  5.     int a = 0;  
  6.     for (int i=0;i<100000000;i++)  
  7.         a++;  
  8. }  
  9. int main()  
  10. {  
  11.     clock_t t1 = clock();  
  12. #pragma omp parallel for  
  13.     for (int i=0;i<8;i++)  
  14.         test();  
  15.     clock_t t2 = clock();  
  16.     std::cout<<"time: "<<t2-t1<<std::endl;  
  17. }  

编译运行后,打印出来的耗时为:0.546秒,几乎为上面时间的1/4。

由此我们可以看到OpenMP的简单易用。在上面的代码里,我们一没有额外include头文件,二没有额外link库文件,只是在for循环前加了一句#pragma omp parallel for。而且这段代码在单核机器上,或者编译器没有将OpenMP设为Yes的机器上编译也不会报错,将自动忽略#pragma这行代码,然后按照传统单核串行的方式编译运行!我们唯一要多做的一步,是从C:\Program Files\Microsoft Visual Studio 9.0\VC\redist\x86\Microsoft.VC90.OPENMP和C:\Program Files\Microsoft Visual Studio 9.0\VC\redist\Debug_NonRedist\x86\Microsoft.VC90.DebugOpenMP目录下分别拷贝vcomp90d.dll和vcomp90.dll文件到工程文件当前目录下。

对上面代码按照我的理解做个简单的剖析。

当编译器发现#pragma omp parallel for后,自动将下面的for循环分成N份,(N为电脑CPU核数),然后把每份指派给一个核去执行,而且多核之间为并行执行。下面的代码验证了这种分析。

  1. #include <iostream>  
  2. int main()  
  3. {  
  4. #pragma omp parallel for  
  5.    for (int i=0;i<10;i++)  
  6.        std::cout<<i<<std::endl;  
  7.    return 0;  
  8. }  

会发现控制台打印出了0 3 4 5 8 9 6 7 1 2。注意:因为每个核之间是并行执行,所以每次执行时打印出的顺序可能都是不一样的。

下面我们来了谈谈竞态条件(race condition)的问题,这是所有多线程编程最棘手的问题。该问题可表述为,当多个线程并行执行时,有可能多个线程同时对某变量进行了读写操作,从而导致不可预知的结果。比如下面的例子,对于包含10个整型元素的数组a,我们用for循环求它各元素之和,并将结果保存在变量sum里。

  1. #include <iostream>  
  2. int main()  
  3. {  
  4.     int sum = 0;  
  5.     int a[10] = {1,2,3,4,5,6,7,8,9,10};  
  6. #pragma omp parallel for  
  7.     for (int i=0;i<10;i++)  
  8.         sum = sum + a[i];  
  9.     std::cout<<"sum: "<<sum<<std::endl;  
  10.     return 0;  
  11. }  

如果我们注释掉#pragma omp parallel for,让程序先按照传统串行的方式执行,很明显,sum = 55。但按照并行方式执行后,sum则会变成其他值,比如在某次运行过程中,sum = 49。其原因是,当某线程A执行sum = sum + a[i]的同时,另一线程B正好在更新sum,而此时A还在用旧的sum做累加,于是出现了错误。

那么用OpenMP怎么实现并行数组求和呢?下面我们先给出一个基本的解决方案。该方案的思想是,首先生成一个数组sumArray,其长度为并行执行的线程的个数(默认情况下,该个数等于CPU的核数),在for循环里,让各个线程更新自己线程对应的sumArray里的元素,最后再将sumArray里的元素累加到sum里,代码如下

  1. #include <iostream>  
  2. #include <omp.h>  
  3. int main(){  
  4.     int sum = 0;  
  5.     int a[10] = {1,2,3,4,5,6,7,8,9,10};  
  6.     int coreNum = omp_get_num_procs();//获得处理器个数  
  7.     int* sumArray = new int[coreNum];//对应处理器个数,先生成一个数组  
  8.     for (int i=0;i<coreNum;i++)//将数组各元素初始化为0  
  9.         sumArray[i] = 0;  
  10. #pragma omp parallel for  
  11.     for (int i=0;i<10;i++)  
  12.     {  
  13.         int k = omp_get_thread_num();//获得每个线程的ID  
  14.         sumArray[k] = sumArray[k]+a[i];  
  15.     }  
  16.     for (int i = 0;i<coreNum;i++)  
  17.         sum = sum + sumArray[i];  
  18.    std::cout<<"sum: "<<sum<<std::endl;  
  19.     return 0;  
  20. }  

需要注意的是,在上面代码里,我们用omp_get_num_procs()函数来获取处理器个数,用omp_get_thread_num()函数来获得每个线程的ID,为了使用这两个函数,我们需要include <omp.h>。

上面的代码虽然达到了目的,但它产生了较多的额外操作,比如要先生成数组sumArray,最后还要用一个for循环将它的各元素累加起来,有没有更简便的方式呢?答案是有,openMP为我们提供了另一个工具,归约(reduction),见下面代码:

  1. #include <iostream>  
  2. int main(){  
  3.     int sum = 0;  
  4.     int a[10] = {1,2,3,4,5,6,7,8,9,10};  
  5. #pragma omp parallel for reduction(+:sum)  
  6.     for (int i=0;i<10;i++)  
  7.         sum = sum + a[i];  
  8.     std::cout<<"sum: "<<sum<<std::endl;  
  9.     return 0;  
  10. }  

上面代码里,我们在#pragma omp parallel for 后面加上了 reduction(+:sum),它的意思是告诉编译器:下面的for循环你要分成多个线程跑,但每个线程都要保存变量sum的拷贝,循环结束后,所有线程把自己的sum累加起来作为最后的输出。

reduction虽然很方便,但它只支持一些基本操作,比如+,-,*,&,|,&&,||等。有些情况下,我们既要避免race condition,但涉及到的操作又超出了reduction的能力范围,应该怎么办呢?这就要用到openMP的另一个工具,critical。来看下面的例子,该例中我们求数组a的最大值,将结果保存在max里。

  1. #include <iostream>  
  2. int main(){  
  3.     int max = 0;  
  4.     int a[10] = {11,2,33,49,113,20,321,250,689,16};  
  5. #pragma omp parallel for  
  6.     for (int i=0;i<10;i++)  
  7.     {  
  8.         int temp = a[i];  
  9. #pragma omp critical   
  10.         {  
  11.             if (temp > max)  
  12.                 max = temp;  
  13.         }  
  14.     }  
  15.     std::cout<<"max: "<<max<<std::endl;  
  16.     return 0;  
  17. }  

上例中,for循环还是被自动分成N份来并行执行,但我们用#pragma omp critical将 if (temp > max) max = temp 括了起来,它的意思是:各个线程还是并行执行for里面的语句,但当你们执行到critical里面时,要注意有没有其他线程正在里面执行,如果有的话,要等其他线程执行完再进去执行。这样就避免了race condition问题,但显而易见,它的执行速度会变低,因为可能存在线程等待的情况。
有了以上基本知识,对我来说做很多事情都足够了。下面我们来看一个具体的应用例,从硬盘读入两幅图像,对这两幅图像分别提取特征点,特征点匹配,最后将图像与匹配特征点画出来。理解该例子需要一些图像处理的基本知识,我不在此详细介绍。另外,编译该例需要opencv,我用的版本是2.3.1,关于opencv的安装与配置也不在此介绍。我们首先来看传统串行编程的方式。

  1. #include "opencv2/highgui/highgui.hpp"  
  2. #include "opencv2/features2d/features2d.hpp"  
  3. #include <iostream>  
  4. #include <omp.h>  
  5. int main( ){  
  6.     cv::SurfFeatureDetector detector( 400 );      
  7.     cv::SurfDescriptorExtractor extractor;  
  8.     cv::BruteForceMatcher<cv::L2<float> > matcher;  
  9.     std::vector< cv::DMatch > matches;  
  10.     cv::Mat im0,im1;  
  11.     std::vector<cv::KeyPoint> keypoints0,keypoints1;  
  12.     cv::Mat descriptors0, descriptors1;  
  13.     double t1 = omp_get_wtime( );  
  14.     //先处理第一幅图像  
  15.     im0 = cv::imread("rgb0.jpg", CV_LOAD_IMAGE_GRAYSCALE );  
  16.     detector.detect( im0, keypoints0);  
  17.     extractor.compute( im0,keypoints0,descriptors0);  
  18.     std::cout<<"find "<<keypoints0.size()<<"keypoints in im0"<<std::endl;  
  19.     //再处理第二幅图像  
  20.     im1 = cv::imread("rgb1.jpg", CV_LOAD_IMAGE_GRAYSCALE );  
  21.     detector.detect( im1, keypoints1);  
  22.     extractor.compute( im1,keypoints1,descriptors1);  
  23.     std::cout<<"find "<<keypoints1.size()<<"keypoints in im1"<<std::endl;  
  24.     double t2 = omp_get_wtime( );  
  25.     std::cout<<"time: "<<t2-t1<<std::endl;  
  26.     matcher.match( descriptors0, descriptors1, matches );  
  27.     cv::Mat img_matches;  
  28.     cv::drawMatches( im0, keypoints0, im1, keypoints1, matches, img_matches );   
  29.     cv::namedWindow("Matches",CV_WINDOW_AUTOSIZE);  
  30.     cv::imshow( "Matches", img_matches );  
  31.     cv::waitKey(0);  
  32.     return 1;  
  33. }  

很明显,读入图像,提取特征点与特征描述子这部分可以改为并行执行,修改如下:

  1. #include "opencv2/highgui/highgui.hpp"  
  2. #include "opencv2/features2d/features2d.hpp"  
  3. #include <iostream>  
  4. #include <vector>  
  5. #include <omp.h>  
  6. int main( ){  
  7.     int imNum = 2;  
  8.     std::vector<cv::Mat> imVec(imNum);  
  9.     std::vector<std::vector<cv::KeyPoint>>keypointVec(imNum);  
  10.     std::vector<cv::Mat> descriptorsVec(imNum);  
  11.     cv::SurfFeatureDetector detector( 400 );    cv::SurfDescriptorExtractor extractor;  
  12.     cv::BruteForceMatcher<cv::L2<float> > matcher;  
  13.     std::vector< cv::DMatch > matches;  
  14.     char filename[100];  
  15.     double t1 = omp_get_wtime( );  
  16. #pragma omp parallel for  
  17.     for (int i=0;i<imNum;i++){  
  18.         sprintf(filename,"rgb%d.jpg",i);  
  19.         imVec[i] = cv::imread( filename, CV_LOAD_IMAGE_GRAYSCALE );  
  20.         detector.detect( imVec[i], keypointVec[i] );  
  21.         extractor.compute( imVec[i],keypointVec[i],descriptorsVec[i]);  
  22.         std::cout<<"find "<<keypointVec[i].size()<<"keypoints in im"<<i<<std::endl;  
  23.     }  
  24.     double t2 = omp_get_wtime( );  
  25.     std::cout<<"time: "<<t2-t1<<std::endl;  
  26.     matcher.match( descriptorsVec[0], descriptorsVec[1], matches );  
  27.     cv::Mat img_matches;  
  28.     cv::drawMatches( imVec[0], keypointVec[0], imVec[1], keypointVec[1], matches, img_matches );   
  29.     cv::namedWindow("Matches",CV_WINDOW_AUTOSIZE);  
  30.     cv::imshow( "Matches", img_matches );  
  31.     cv::waitKey(0);  
  32.     return 1;  
  33. }  

两种执行方式做比较,时间为:2.343秒v.s. 1.2441秒

在上面代码中,为了改成适合#pragma omp parallel for执行的方式,我们用了STL的vector来分别存放两幅图像、特征点与特征描述子,但在某些情况下,变量可能不适合放在vector里,此时应该怎么办呢?这就要用到openMP的另一个工具,section,代码如下:

  1. #include "opencv2/highgui/highgui.hpp"  
  2. #include "opencv2/features2d/features2d.hpp"  
  3. #include <iostream>  
  4. #include <omp.h>  
  5. int main( ){  
  6.     cv::SurfFeatureDetector detector( 400 );  
  7.     cv::SurfDescriptorExtractor extractor;  
  8.     cv::BruteForceMatcher<cv::L2<float> > matcher  
  9.     std::vector< cv::DMatch > matches;  
  10.     cv::Mat im0,im1;  
  11.     std::vector<cv::KeyPoint> keypoints0,keypoints1;  
  12.     cv::Mat descriptors0, descriptors1;  
  13.     double t1 = omp_get_wtime( );  
  14. #pragma omp parallel sections  
  15.     {  
  16. #pragma omp section  
  17.         {  
  18.             std::cout<<"processing im0"<<std::endl;  
  19.             im0 = cv::imread("rgb0.jpg", CV_LOAD_IMAGE_GRAYSCALE );  
  20.             detector.detect( im0, keypoints0);  
  21.             extractor.compute( im0,keypoints0,descriptors0);  
  22.             std::cout<<"find "<<keypoints0.size()<<"keypoints in im0"<<std::endl;  
  23.         }  
  24. #pragma omp section  
  25.         {  
  26.             std::cout<<"processing im1"<<std::endl;  
  27.             im1 = cv::imread("rgb1.jpg", CV_LOAD_IMAGE_GRAYSCALE );  
  28.             detector.detect( im1, keypoints1);  
  29.             extractor.compute( im1,keypoints1,descriptors1);  
  30.             std::cout<<"find "<<keypoints1.size()<<"keypoints in im1"<<std::endl;  
  31.         }  
  32.     }  
  33.     double t2 = omp_get_wtime( );  
  34.     std::cout<<"time: "<<t2-t1<<std::endl;  
  35.     matcher.match( descriptors0, descriptors1, matches );  
  36.     cv::Mat img_matches;  
  37.     cv::drawMatches( im0, keypoints0, im1, keypoints1, matches, img_matches );   
  38.     cv::namedWindow("Matches",CV_WINDOW_AUTOSIZE);  
  39.     cv::imshow( "Matches", img_matches );  
  40.     cv::waitKey(0);  
  41.     return 1;  
  42. }  

上面代码中,我们首先用#pragma omp parallel sections将要并行执行的内容括起来,在它里面,用了两个#pragma omp section,每个里面执行了图像读取、特征点与特征描述子提取。将其简化为伪代码形式即为:

  1. #pragma omp parallel sections  
  2. {  
  3.     #pragma omp section  
  4.     {  
  5.         function1();  
  6.     }  
  7.     #pragma omp section  
  8.     {  
  9.         function2();  
  10.     }  
  11. }  

意思是:parallel sections里面的内容要并行执行,具体分工上,每个线程执行其中的一个section,如果section数大于线程数,那么就等某线程执行完它的section后,再继续执行剩下的section。在时间上,这种方式与人为用vector构造for循环的方式差不多,但无疑该种方式更方便,而且在单核机器上或没有开启openMP的编译器上,该种方式不需任何改动即可正确编译,并按照单核串行方式执行。

以上分享了这两天关于openMP的一点学习体会,其中难免有错误,欢迎指正。另外的一点疑问是,看到各种openMP教程里经常用到private,shared等来修饰变量,这些修饰符的意义和作用我大致明白,但在我上面所有例子中,不加这些修饰符似乎并不影响运行结果,不知道这里面有哪些讲究。

参考:http://www.cnblogs.com/lexus/archive/2012/08/21/2648424.html

展开阅读全文

没有更多推荐了,返回首页