OpenMP 用于带有 std::vector 和标量变量的循环，带有缩减

OpenMP for loop with std::vector and scalar variable with reduction

本文关键字：循环 变量 用于 std vector OpenMP 标量      更新时间：2023-10-16

我有这个代码：

#pragma omp declare reduction(* : scalar : omp_out *= omp_in)     
scalar like=1;
vector<scalar>& bigsum;
#pragma omp parallel for // reduction(* : like)    
for (int m = 0; m < M-1; m++)
   like *= bigsum[m];

我正在尝试获得一致的结果，但它没有（竞争条件问题），但我应该如何解决它？ 因为它在代码中可见，我有自己的reduction function但它也不起作用。对于标量和 std：：vector 有什么技巧是我应该注意的吗？

这里的标量变量只是通过对我创建的每个双精度值的应用 log（） 覆盖浮点数，因为有这么多的双倍到双倍乘法，并且几个双倍之后的结果变得接近于零。例如，通过执行log（），乘法变为加法和等。

一致答案的一个答案是：

    #pragma omp parallel
    {
       scalar loc = 1;
    #pragma omp for
       for (std::size_t m = 1; m < M;m++)
       {
          _flm[m-1] = Qratio[m-1] * k1 + k2;
          bigsum[m-1] = kappa0omegaproduct + kappa[1] * _flm[m-1];
    #pragma omp critical (reduce_product)
          {
             like *= bigsum[m-1];
          }
       }
}

这个答案是正确的，但太慢了，在我的 8 核机器上几乎慢了 8 倍！

三天

后我自己有一个答案，并对我的发现有一个解释。

我创建了自己的归约函数，如下所示：

#pragma omp declare reduction(* : scalar : omp_out *= omp_in) initializer (omp_priv (1))

诀窍是omp_priv，显然减少值初始化很重要，我在这里学到了一些东西。

我通过对这样的循环应用 openmp 使代码简单得多：

#pragma omp parallel for reduction (* : like)

非常简单干净。以这种新方式，代码得到并行化，并且运行速度比我在问题正文中的速度更快。不幸的是，它仍然比串行版本慢。也许是因为 std：：vector 的使用，或者重载的算术运算非常慢！？我不知道。代码是如此之大，我无法以可以理解的方式将其复制粘贴到此处，并且对于其他人来说阅读也不会很痛苦。

您的初始示例依赖于本机 OpenMP 缩减。您确定用户定义的 OpenMP 缩减工作正常吗？这可能是重载运算符的问题。

你的第二个例子是正确的（你说的），但由于关键部分，速度很慢。为什么不手动实现 OpenMP 缩减，方法是在每个线程上有一个局部变量（例如"local_like"），然后在"omp for"之后使用关键部分？

相关文章：