最近在看多核編程。簡單來說，由于現在電腦CPU一般都有兩個核，4核與8核的CPU也逐漸走入了尋常百姓家，傳統的單線程編程方式難以發揮多核CPU的強大功能，于是多核編程應運而生。按照我的理解，多核編程可以認為是對多線程編程做了一定程度的抽象，提供一些簡單的API，使得用戶不必花費太多精力來了解多線程的底層知識，從而提高編程效率。這兩天關注的多核編程的工具包括openMP和TBB。按照目前網上的討論，TBB風頭要蓋過openMP，比如openCV過去是使用openMP的，但從2.3版本開始拋棄openMP，轉向TBB。但我試下來，TBB還是比較復雜的，相比之下，openMP則非常容易上手。因為精力和時間有限，沒辦法花費太多時間去學習TBB，就在這里分享下這兩天學到的openMP的一點知識，和大家共同討論。
openMP支持的編程語言包括C語言、C++和Fortran，支持OpenMP的編譯器包括Sun Studio，Intel Compiler，Microsoft Visual Studio，GCC。我使用的是Microsoft Visual Studio 2008，CPU為Intel i5 四核，首先講一下在Microsoft Visual Studio 2008上openMP的配置。非常簡單，總共分2步：
(1) 新建一個工程。這個不再多講。
(2) 建立工程后，點擊 菜單欄->Project->Properties，彈出菜單里，點擊 Configuration Properties->C/C++->Language->OpenMP Support，在下拉菜單里選擇Yes。
至此配置結束。下面我們通過一個小例子來說明openMP的易用性。這個例子是 有一個簡單的test()函數，然后在main()里，用一個for循環把這個test()函數跑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
}
編譯運行后，打印出來的耗時為：1.971秒。下面我們用一句話把上面代碼變成多核運行。
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
}
編譯運行后，打印出來的耗時為：0.546秒，幾乎為上面時間的1/4。
由此我們可以看到openMP的簡單易用。在上面的代碼里，我們一沒有額外include頭文件，二沒有額外link庫文件，只是在for循環前加了一句#pragma omp parallel for。而且這段代碼在單核機器上，或者編譯器沒有將openMP設為Yes的機器上編譯也不會報錯，將自動忽略#pragma這行代碼，然后按照傳統單核串行的方式編譯運行！我們唯一要多做的一步，是從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目錄下分別拷貝vcomp90d.dll和vcomp90.dll文件到工程文件當前目錄下。
對上面代碼按照我的理解做個簡單的剖析。
當編譯器發現#pragma omp parallel for后，自動將下面的for循環分成N份，(N為電腦CPU核數)，然后把每份指派給一個核去執行，而且多核之間為并行執行。下面的代碼驗證了這種分析。
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
}
會發現控制臺打印出了0 3 4 5 8 9 6 7 1 2。注意：因為每個核之間是并行執行，所以每次執行時打印出的順序可能都是不一樣的。
下面我們來了談談競態條件(race condition)的問題，這是所有多線程編程最棘手的問題。該問題可表述為，當多個線程并行執行時，有可能多個線程同時對某變量進行了讀寫操作，從而導致不可預知的結果。比如下面的例子，對于包含10個整型元素的數組a，我們用for循環求它各元素之和，并將結果保存在變量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
}
如果我們注釋掉#pragma omp parallel for，讓程序先按照傳統串行的方式執行，很明顯，sum = 55。但按照并行方式執行后，sum則會變成其他值，比如在某次運行過程中，sum = 49。其原因是，當某線程A執行sum = sum + a[i]的同時，另一線程B正好在更新sum，而此時A還在用舊的sum做累加，于是出現了錯誤。
那么用openMP怎么實現并行數組求和呢？下面我們先給出一個基本的解決方案。該方案的思想是，首先生成一個數組sumArray，其長度為并行執行的線程的個數(默認情況下，該個數等于CPU的核數)，在for循環里，讓各個線程更新自己線程對應的sumArray里的元素，最后再將sumArray里的元素累加到sum里，代碼如下
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();
//
獲得處理器個數
7
int
* sumArray =
new
int
[coreNum];
//
對應處理器個數，先生成一個數組
8
for
(
int
i=
0
;i<coreNum;i++)
//
將數組各元素初始化為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();
//
獲得每個線程的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，在上面代碼里，我們用omp_get_num_procs()函數來獲取處理器個數，用omp_get_thread_num()函數來獲得每個線程的ID，為了使用這兩個函數，我們需要include <omp.h>。
上面的代碼雖然達到了目的，但它產生了較多的額外操作，比如要先生成數組sumArray，最后還要用一個for循環將它的各元素累加起來，有沒有更簡便的方式呢？答案是有，openMP為我們提供了另一個工具，歸約(reduction)，見下面代碼：
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
}
上面代碼里，我們在#pragma omp parallel for 后面加上了 reduction(+:sum)，它的意思是告訴編譯器：下面的for循環你要分成多個線程跑，但每個線程都要保存變量sum的拷貝，循環結束后，所有線程把自己的sum累加起來作為最后的輸出。
reduction雖然很方便，但它只支持一些基本操作，比如+,-,*,&,|,&&,||等。有些情況下，我們既要避免race condition，但涉及到的操作又超出了reduction的能力范圍，應該怎么辦呢？這就要用到openMP的另一個工具，critical。來看下面的例子，該例中我們求數組a的最大值，將結果保存在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循環還是被自動分成N份來并行執行，但我們用#pragma omp critical將 if (temp > max) max = temp 括了起來，它的意思是：各個線程還是并行執行for里面的語句，但當你們執行到critical里面時，要注意有沒有其他線程正在里面執行，如果有的話，要等其他線程執行完再進去執行。這樣就避免了race condition問題，但顯而易見，它的執行速度會變低，因為可能存在線程等待的情況。
有了以上基本知識，對我來說做很多事情都足夠了。下面我們來看一個具體的應用例，從硬盤讀入兩幅圖像，對這兩幅圖像分別提取特征點，特征點匹配，最后將圖像與匹配特征點畫出來。理解該例子需要一些圖像處理的基本知識，我不在此詳細介紹。另外，編譯該例需要opencv，我用的版本是2.3.1，關于opencv的安裝與配置也不在此介紹。我們首先來看傳統串行編程的方式。
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
//
先處理第一幅圖像
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
//
再處理第二幅圖像
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
}
很明顯，讀入圖像，提取特征點與特征描述子這部分可以改為并行執行，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
}
兩種執行方式做比較，時間為：2.343秒v.s. 1.2441秒
在上面代碼中，為了改成適合#pragma omp parallel for執行的方式，我們用了STL的vector來分別存放兩幅圖像、特征點與特征描述子，但在某些情況下，變量可能不適合放在vector里，此時應該怎么辦呢？這就要用到openMP的另一個工具，section，代碼如下：
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
); cv::SurfDescriptorExtractor extractor;
7
cv::BruteForceMatcher<cv::L2<
float
> > matcher;
8
std::vector< cv::DMatch > matches;
9
cv::Mat im0,im1;
10
std::vector<cv::KeyPoint> keypoints0,keypoints1;
11
cv::Mat descriptors0, descriptors1;
12
double
t1 = omp_get_wtime( );
13
#pragma
omp parallel sections
14
{
15
#pragma
omp section
16
{
17
std::cout<<
"
processing im0
"
<<std::endl;
18
im0 = cv::imread(
"
rgb0.jpg
"
, CV_LOAD_IMAGE_GRAYSCALE );
19
detector.detect( im0, keypoints0);
20
extractor.compute( im0,keypoints0,descriptors0);
21
std::cout<<
"
find
"
<<keypoints0.size()<<
"
keypoints in im0
"
<<std::endl;
22
}
23
#pragma
omp section
24
{
25
std::cout<<
"
processing im1
"
<<std::endl;
26
im1 = cv::imread(
"
rgb1.jpg
"
, CV_LOAD_IMAGE_GRAYSCALE );
27
detector.detect( im1, keypoints1);
28
extractor.compute( im1,keypoints1,descriptors1);
29
std::cout<<
"
find
"
<<keypoints1.size()<<
"
keypoints in im1
"
<<std::endl;
30
}
31
}
32
double
t2 = omp_get_wtime( );
33
std::cout<<
"
time:
"
<<t2-t1<<std::endl;
34
matcher.match( descriptors0, descriptors1, matches );
35
cv::Mat img_matches;
36
cv::drawMatches( im0, keypoints0, im1, keypoints1, matches, img_matches );
37
cv::namedWindow(
"
Matches
"
,CV_WINDOW_AUTOSIZE);
38
cv::imshow(
"
Matches
"
, img_matches );
39
cv::waitKey(
0
);
40
return
1
;
41
}
上面代碼中，我們首先用#pragma omp parallel sections將要并行執行的內容括起來，在它里面，用了兩個#pragma omp section，每個里面執行了圖像讀取、特征點與特征描述子提取。將其簡化為偽代碼形式即為：
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里面的內容要并行執行，具體分工上，每個線程執行其中的一個section，如果section數大于線程數，那么就等某線程執行完它的section后，再繼續執行剩下的section。在時間上，這種方式與人為用vector構造for循環的方式差不多，但無疑該種方式更方便，而且在單核機器上或沒有開啟openMP的編譯器上，該種方式不需任何改動即可正確編譯，并按照單核串行方式執行。
以上分享了這兩天關于openMP的一點學習體會，其中難免有錯誤，歡迎指正。另外的一點疑問是，看到各種openMP教程里經常用到private,shared等來修飾變量，這些修飾符的意義和作用我大致明白，但在我上面所有例子中，不加這些修飾符似乎并不影響運行結果，不知道這里面有哪些講究。
在寫上文的過程中，參考了包括以下兩個網址在內的多個地方的資源，不再一 一列出，在此一并表示感謝。
http://blog.csdn.net/drzhouweiming/article/details/4093624
http://software.intel.com/zh-cn/articles/more-work-sharing-with-openmp
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
