IC的帆哥 - C++ https://www.icfgblog.com/index.php/tag/C/ C++多线程4——锁竞争 https://www.icfgblog.com/index.php/EDA/125.html 2021-02-08T19:06:00+08:00 一、为什么要锁 锁是为了防止多线访问共同内存时的冲突问题,先看实例:两个线程分别对全局变量累加: //gcc lock_test.c -lpthread #include #include #include ​ int num = 0; //设置为全局变量,在全局区域共享 ​ void* myfun(void* arg); ​ pthread_mutex_t mtx; int main() { //1.产生两个线程,分别对全局变量累加 pthread_t id[2]; pthread_mutex_init(&mtx,NULL); for (int i = 0; i < 2; i++) { pthread_create(&(id[i]), NULL, myfun, NULL); } pthread_join(id[0],NULL); pthread_join(id[1],NULL); printf("%d\n",num); return 0; ​ } ​ void* myfun(void* arg) { int i; for(i=0;i=10000){ pthread_mutex_unlock(&mtx); break; } num++; pthread_mutex_unlock(&mtx); task_invmatrix[i];//执行第i个任务 } 各个线程先争夺全局变量num,修改num之后,执行第i(=num)个任务,由于任务的时间远大于加锁、修改num、解锁的时间,这样便实现了各线程的互帮互助! 更多实例可以参看我的gitee:ptread_lock C++多线程3——线程池 https://www.icfgblog.com/index.php/EDA/122.html 2021-02-08T18:34:00+08:00 一、线程池的好处 如果任务的数量一开始不确定,我们该如何开辟线程?如果来一个任务开辟一个线程,任务结束之后又销毁线程,那么整体的效率会很低,大多数时间都在产生和销毁线程,该如何摆脱这种困境? 线程池的概念孕育而生,我们可以一次产生4个线程,它们组成一个线程池,相当于食堂的打菜大妈;接着会有一波任务接连过来,这些线程便依次完成这些任务,如果暂时没有任务,它们也不销毁,继续等待,直到设定的一定之间后,才销毁线程池。 线程池能够大大提高任务执行的效率。 二、线程池实例 如果从头开始写线程池,会非常复杂,目前我也没这个水平。花了很大功夫才找到Github上一个开源的线程池代码,并且用实例跑通了这个线程池,效果还是不错的。 这个线程池需要两个文件thpool.c和thpool.h。还是求和的例子,我们用线程池来实现:线程池有四个线程,1亿个元素分成40个任务,依次加入线程池,然后将40个结果再求和。 // gcc example3.c thpool.c -lpthread -D THREAD_DEBUG // 正式运行时不需要加 -D THREAD_DEBUG #include #include #include #include #include #include "thpool.h" const int S = 100000000; int* arr; typedef struct{ int first; int last; int result; }MY_ARGS; void mysum(void *args){ int i; int s=0; MY_ARGS* my_args = (MY_ARGS*) args; int first = my_args->first; int last = my_args->last; for(i=first;i result = s; } int main(){ int i; arr = malloc(sizeof(int) * S); //1.数据准备 for(i=0;i C++多线程2——亲和性 https://www.icfgblog.com/index.php/EDA/120.html 2021-02-08T13:58:00+08:00 一、多核CPU的结构 服务器的多核结构属于NUMA(Non-Uniform Memory Access,非一致性内存访问)架构。这里有一篇很好的介绍NUMA架构理解。 以我们课题组的服务器为例,上面有两个“插槽”,即两个socket(物理概念),逻辑上称为节点node。 每个插槽10个物理核core,每个物理核通过超线程技术可以产生两个逻辑核processor。 因此我们服务器可以有$ 2 \times 10 \times 2=40$个线程 。 CPU亲和的意思是,假设我们产生40个线程,希望每个线程运行在他们各自的node上或者core上,这样可以减少程序运行时的内存搬运。 二、查看服务器配置 cat /proc/cpuinfo #查看所有processor的信息 这是最后一个逻辑核的信息,总共有40个逻辑核,该逻辑核在node1节点的12号cpu上(这里的编号不一定连续)。所有的逻辑核分布如下: 因此我们设置线程时,可以绑在同一个node上,即绑在逻辑核编号为{0,2,...,18,20,22,...,38}的集合,或{1,3,...,19,21,23,...,39}的集合,让内存不要在Node0和Node1之间发生。 也可以绑在同一个core上,即绑在逻辑核编号为{0,20},{2,22},{4,24},...,或{19,39}的集合,这样不同物理核之间也不会用内存交换,提高运行速度。 可以用numactl程序查看这些核的分布情况,如没有可以安装sudo apt install numactl,但服务器上我们一般没有root权限,还可以这样查看: cat /sys/devices/system/node/node0/cpulist cat /sys/devices/system/node/node0/cpumap 三、设置pthread亲和性 还是用求和的例子说明: #define _GNU_SOURCE #include #include #include #include #include ​ const int S = 100000000; int* arr; ​ typedef struct{ int first; int last; int result; }MY_ARGS; ​ void* mysum(void* args){ int i; int s=0; MY_ARGS* my_args = (MY_ARGS*) args; int first = my_args->first; int last = my_args->last; ​ for(i=first;i result = s; return NULL; } ​ int main(){ int i; arr = malloc(sizeof(int) * S); for(i=0;i C++多线程1——pthread https://www.icfgblog.com/index.php/EDA/115.html 2021-02-08T10:31:00+08:00 一、多核时代 随着数字IC工艺的提升,单核性能越来越高,但随之来的是功率密度增大,芯片发热严重,要进一步提升性能,很自然会想到C多核。将计算任务分配到不同的cpu,最后将结果整合,完成多核并行。 二、C\C++的多线程 C提供了很方便的多线程库,最基本的是pthread库,C++里有thread库(调用起来更加方便),还有omp库(不必自己设置线程,已封装好),接下来将介绍C++pthread库的应用实例,这些实例能够很方便移植到不同的应用中。omp库的实例可参看C++openmp并行计算实例。 三、实例 pthread的实例参考了B站up主“正月点灯笼”的教学视频: C语言多线程程序入门教程,讲得非常通俗易懂。 假设我们有一个数组arr[],长度为1亿,元素大小为0~4的随机数,我们需要计算它的和。 为此我们可以用两个线程,一个线程计算前5千万个元素之和,另一个线程计算后5千万个元素之和,最后两种相加。 顺便比较单线程、omp的耗时,代码如下: #include #include #include #include #include #define MAX_SIZE 100000000 int* arr; ​// 定义数据结构,用来传递参数 typedef struct{ int first; int last; int result; }MY_ARGS; ​//定义函数,给多线程调用 void* myfunc(void* args){ int i; int s=0; MY_ARGS* my_args = (MY_ARGS*) args; int first = my_args->first; int last =  my_args->last; ​ for(i=first;i result = s; return  NULL; } int main(){ pthread_t th1; pthread_t th2; ​ int i; arr = malloc(sizeof(int) * MAX_SIZE); int mid = MAX_SIZE/2; for(i=0;i C++avx256指令集加速实例 https://www.icfgblog.com/index.php/EDA/6.html 2020-10-07T22:27:00+08:00 背景 avx256是x86cpu架构下实现SIMD(单指令多数据)的指令集。它能够利用cpu内部256bit的寄存器,同时对4位double或8位int类型的数操作,达到很好的加速效果。这里通过一个计算$\pi$的实例来展示其威力: $$ \pi = 4\int_0^1\frac{1}{1+x^2}dx $$ linux系统下可以通过如下命令查看电脑是否支持avx256指令集: > cat /proc/cpuinfo | grep flags sse4就表示该指令集。 //g++ avx_pi.cpp -mavx -O2 #include #include #include using namespace std; //正常的逐个累加运算 double compute_pi_naive(size_t dt){ double pi = 0.0; double delta = 1.0/dt; for (size_t i =0;i