C++ 中的多线程的使用和线程池建设。150行代码,手写线程池

本文探讨了C++11中的多线程和线程池实现,涉及mutex、condition_variable、future等同步工具。通过150行代码展示了线程池的构建,并讨论了任务类型、线程数量、任务缓存等关键点,旨在帮助读者理解C++ Linux后端开发的线程管理技术。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

C++ 11 引入了 std::thread 标准库,方便了多线程相关的开发工作。

说到多线程开发,可不仅仅是创建一个新线程就好了,不可避免的要涉及到线程同步的问题。

而保证线程同步,实现线程安全,就要用到相关的工具了,比如信号量、互斥量、条件变量、原子变量等等。

这些名词概念都是来操作系统里面引申来的,并不是属于哪一种编程语言所特有的,在不同语言上的表现形式不一样,但其背后的原理是一致的。

线程池150行代码实现的视频讲解,有需要学习的朋友可以点击观看:150行代码,手写线程池

C++ 11 同样引入了 mutex、condition_variable、future 等实现线程安全的类,下面就来一一了解它们。

mutex

mutex 作为互斥量,提供了独占所有权的特性。

一个线程将互斥量锁住,直到调用 unlock 之前,该线程都是拥有该锁的,而其他线程访问被锁住的互斥量,则会被阻塞住。

使用示例:

#include <thread>
#include <iostream>

int num = 0;
std::mutex mutex;

void plus(){
    std::lock_guard<std::mutex> guard(mutex);
    std::cout << num++ <<std::endl;
}

int main(){
    std::thread threads[10];
    for (auto & i : threads) {
        i = std::thread(plus);
    }
    for (auto & thread : threads) {
        thread.join();
    }
    return 0;
}

如上代码,创建了 10 个线程,每个线程都会先打印 num 的值,然后再将 num 变量加一,依次打印 0 到 9 。

众所周知,+1 的操作不是线程安全的,实际包含了三步,先读取,再加一,最后赋值。但是因为使用了互斥量 mutex ,保证独占性,所以结果都是按照顺序递增打印的。

如果不使用互斥量,那么可能前一个线程还没有赋值完,后一个线程就进行了读取,最后的结果就是随机不可预料的。

condition_variable

condition_variable 作为条件变量,它会调用 wait 函数等待某个条件满足,如果不满足的话,就通过 unique_lock 来锁住当前线程,当前线程就处于阻塞状态,直到其他线程调用了条件变量的 nofity 函数来唤醒。

使用示例:

#include <iostream>
#include <thread>

int num = 0;
std::mutex mutex;
std::condition_variable cv;

void plus(int target){
    std::unique_lock<std::mutex> lock(mutex);
    cv.wait(lock,[target]{return num == target;});
    num++;
    std::cout << target <<std::endl;
    cv.notify_all();
}

int main(){
    std::thread threads[10];
    for (int i = 0; i < 10; ++i) {
        threads[i] = std::thread(plus,9-i);
    }
    for (auto & thread : threads) {
        thread.join();
    }
    return 0;
}

同样是创建了 10 个线程,每个线程都会有一个 target 参数,代表该线程要打印的数值,按照 9 -> 0 顺序创建线程,最后运行结果是依次打印 0 -> 9 。

每个线程运行时都会先调用 wait 函数等待 num == target 这一条件满足,一旦满足就会将 num 加一,并打印 target 值,然后唤醒下一个满足条件的值。

通过改变条件变量的 wait 函数唤醒条件,就可以实现不同的多线程模式,比如常见的生产者-消费者模型。

分享更多关于C/C++ Linux后端开发网络底层原理知识学习提升 学习资料,完善技术栈,内容知识点包括Linux,Nginx,ZeroMQ,MySQL,Redis,线程池,MongoDB,ZK,流媒体,音视频,Linux内核,CDN,P2P,epoll,Docker,TCP/IP,协程,DPDK等等。

视频学习资料点击:C/C+

卷积神经网络(Convolutional Neural Network,CNN)是一种常用于图像处理计算机视觉任务的深度学习模型。手写数字识别是其中的一个经典应用场景之一。 在使用CNN进手写数字识别时,我们可以通过编写C代码来实现。由于CPU计算能力相对较弱,为了提高运算效率,我们可以利用多线程技术来实现并计算。 首先,我们需要导入相关的库数据集。在这,我们可以使用OpenCV库来读取手写数字图像,并将其转化为灰度图像作为输入数据。同时,我们还可以使用一些开源的数据集,如MNIST数据集。 接下来,我们需要定义CNN的结构。一个典型的CNN由卷积层、池化层、全连接层输出层组成。我们可以使用C语言中的结构体来定义每一层的参数输出。 在实现卷积层时,我们可以使用卷积核来对输入图像进卷积操作,并通过选择不同的卷积核尺寸步长来改变特征图的大小。同时,我们还可以引入一些非线性函数,如ReLU激活函数,来增强模型的表达能力。 通过池化层,我们可以进一步减小特征图的尺寸,并减少参数的数量,从而提高计算效率模型的泛化能力。 全连接层则可以将池化层的输出进展开,并将其传递给输出层进分类。我们可以使用一些常用的分类算法,如Softmax函数,来将特征向量转化为分类概率。 最后,我们需要训练模型并进测试。在训练过程中,我们可以使用反向传播算法来更新网络的权重偏置,以使得模型的预测结果与真实值更加接近。 在使用CPU多线程实现时,我们可以利用线程池技术来管理多个线程的创建销毁过程,从而降低线程切换的开销,并提供更好的任务调度效果。 通过以上步骤,我们可以实现一个基于CPU多线程的卷积神经网络手写数字识别模型。该模型可以利用卷积、池化全连接等算法,通过对手写数字图像进特征提取分类,实现高精度的数字识别结果。
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