6678_OpenMP学习笔记整理（一）——环境变量+嵌套并行

最新推荐文章于 2025-05-26 12:32:02 发布
最新推荐文章于 2025-05-26 12:32:02 发布
阅读量1.8k 收藏 3
点赞数 1
CC 4.0 BY-SA版权
文章标签： 多线程 openmp
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/huang_wifi/article/details/116044855

OpenMP API 用户指南
一、环境变量
1、OMP_SCHEDULE
有效类型：static、dynamic、guided、auto、sunw_mp_sched_reserved
若使用时设置为非有效类型，按默认static处理，不指定块大小，并发出warn

2、OMP_NUM_THTEADS
若指定值不是正整数，则忽略此变量，并发出warn
若工程中未设置此变量，则默认为处理器核心数，并≤32

3、OMP_DYNAMIC
类似于bool类型，值为true或false，缺省时默认为true，非法值时默认为ture，并发出warn

4、OMP_PROC_BIND（这部分我要再想想）
如果为 OMP_PROC_BIND 指定的值不是 TRUE、FALSE 或者逗号分隔的 master、close 或 spread 列表，则以非零状态退出进程。
如果无法将初始线程绑定到 OpenMP 位置列表中的第一个位置，则以非零状态退出进程。
如果未设置，则使用缺省值 FALSE。

5、OMP_PLACES
若设置的值无效，则以非零状态退出进程
若未设置，则使用缺省值 cores

6、OMP_NESTED
7、OMP_STACKSIZE
8、OMP_WAIT_POLICY
9、OMP_MAX_ACTIVE_LEVELS
10、OMP_THREAD_LIMIT
11、OMP_DISPLAY_ENV

二、Oracle Solaris Studio 环境变量（以下环境变量指定的值为不区分大小写）
1、PARALLEL
如果同时设置 PARALLEL 和 OMP_NUM_THREADS，则必须将它们设置为相同的值

2、SUNW_MP_WARN
常见错误：区域嵌套错误、显式屏障位置错误、死锁、环境变量的设置无效等等

3、 SUNW_MP_THR_IDLE
控制 OpenMP 程序中正在等待工作（空闲）或者正在屏障处等待的线程的行为
可设置为：SPIN、SLEEP、SLEEP(time s)、SLEEP(time ms)、SLEEP(time mc)
其中time设为整数，mc为us，若未设置时间单位，则默认为s

4、SUNW_MP_PROCBIND

5、SUNW_MP_MAX_POOL_THREADS
指定 OpenMP 辅助线程池的最大大小
OpenMP 辅助线程是 OpenMP 运行时库创建的用于在并行区域上运行的那些线程
辅助线程池不包含主线程和由用户程序显式创建的任何线程
如果将此环境变量设置为零，则 OpenMP 辅助线程池将为0，并且将由主线程执行所有并行区域，缺省值为1023

6、SUNW_MP_MAX_NESTED_LEVELS
设置嵌套活动并行区域的最大数量，缺省值为4

7、STACKSIZE
设置每个 OpenMP 辅助线程的堆栈大小
可选后缀 B、K、M 或 G（分别表示字节、千字节、兆字节或千兆字节）的数值，缺省时默认为K
如果未设置，则对于 32 位应用程序，缺省 OpenMP 辅助线程堆栈大小为 4 MB；对于 64 位应用程序，缺省值为 8 MB

8、SUNW_MP_GUIDED_WEIGHT
设置加权因子，该因子用于确定使用 guided 调度的循环中的块大小
该值应为正浮点数，并且应用于程序中所有使用 guided 调度的循环
如果未设置，则缺省加权因子为 2.0

9、SUNW_MP_WAIT_POLICY
允许更精确地控制程序中等待工作（空闲）、在屏障处等待或等待任务完成的 OpenMP 线程的行为
在这些等待类型中，每一类型的行为都有三种可能：旋转片刻、让出处理器片刻或休眠直至被唤醒

三、嵌套并行操作
1、OMP_NESTED
可通过设置 OMP_NESTED 环境变量来启用或禁用嵌套并行操作。缺省情况下，禁用嵌套并行操作
以下代码进行三级嵌套：

#include <omp.h>
#include <stdio.h>
void report_num_threads(int level)
{
   
   
    #pragma omp single
    {
   
   
        printf("Level %d: number of threads in the team = %d\n",
                  level, omp_get_num_threads());
    }
 }
int main()
{
   
   
    omp_set_dynamic(0);
    #pragma omp parallel num_threads(2)
    {
   
   
        report_num_threads(1);
        #pragma omp parallel num_threads(2)
        {
   
   
            report_num_threads(2);
            #pragma omp parallel num_threads(2)
            {
最低0.47元/天 解锁文章

200万优质内容无限畅学
huang_wifi
关注
OpenMP并行加速学习笔记2025.6.27
sinat_34897952的博客
06-27 690
在OpenMP并行加速中，线程数（如32、16、8）的选择需结合硬件核心数、任务类型（计算密集型或I/O密集型）、负载均衡策略及线程开销综合判断。：优先通过压力测试确定最佳线程数，通常从物理核心数开始调整，结合任务类型和负载特征微调。
并行计算-openMP学习笔记(2)
blackturtle的博客
04-11 896
openMP是一种并行编程语言
openmp嵌套并行操作
程序员的自我修养_Will.zhang
12-12 6677
本章讨论 OpenMP 嵌套并行操作的特性 1 执行模型 OpenMP 采用 fork-join（分叉-合并）并行执行模式。线程遇到并行构造时，就会创建由其自身及其他一些额外（可能为零个）线程组成的线程组。遇到并行构造的线程成为新组中的主线程。组中的其他线程称为组的从属线程。所有组成员都执行并行构造内的代码。如果某个线程完成了其在并行构造内的工作，它就会在并行构造末尾的隐式屏障处等待。
[openmp]使用嵌套并行
weixin_30355437的博客
10-15 246
变量OMP_NESTED设置使其可以在函数中并行。 #include "omp.h" #include <cstdio> #include <iostream> using namespace std; omp_nest_lock_t lock; void roll(int d) { omp_set_nest_lock(&lock); cout...
C++并行计算：OpenMP进阶编程介绍
最新发布
倔强老吕的博客
05-26 848
OpenMP 进阶编程技巧与概念 的总结，适合已经掌握 基础的开发者进一步提升技能，其进阶功能包括：细粒度的线程控制，循环调度优化，数据作用域管理，任务并行与依赖关系，同步机制，嵌套并行，性能调优技巧，新版本支持 SIMD 和设备卸载
嵌套并行
yuanlanxiaup
12-10 914
OpenMP中不建议使用并行嵌套，如果一个并行计算中的某个线程遇到了另外一个并行分支，程序运行将会变得不稳定。将一个完整的工作任务通过一组并行线程分成若干小任务，每个线程只执行指定给它的那段代码，并没用多余的线程去做其他的工作，即使并行计算中正在运行的某个线程遇到了一个新的并行分支，通过分割这个任务形成更多的线程，这并没有任何实际意义。因此，嵌套并行在OpenMP中将不考虑。OpenMP在处理多级...
6678_OpenMP学习笔记整理（三）——线程关联性
huang_wifi的博客
04-23 1394
6678_OpenMP学习笔记整理 OpenMP API 用户指南：https://docs.oracle.com/cd/E57201_01/html/E58572/docinfo.html#scrolltoc 1、OMP_PLACES和OMP_PROC_BIND 这两个环境变量通常结合使用 OMP_PLACES用于指定线程将绑定到的计算机位置（硬件线程、核心或插槽） OMP_PROC_BIND用于指定绑定策略（线程关联性策略），这项策略指定如何将线程分配到位置 OpenMP 4....
OpenMP 环境变量
程序员的自我修养_Will.zhang
12-12 5346
OpenMP 规范定义了四个用于控制 OpenMP 程序执行的环境变量。下表对它们进行了概括。 表 2–1 OpenMP 环境变量 环境变量  功能  OMP_SCHEDULE 为指定了 RUNTIME 调度类型的 DO、PARALLEL DO、for、parallel for 指令/pragma 设置调度类型。如果未定义，
TinyML和高性能深度学习计算 mit6.5940学习笔记
m0_56243424的博客
08-07 844
传统：LSTM、卷积 --》Transformer（分词器，嵌入向量，多头注意力机制，前馈网络，残差连接和层归一化，编码器（Encoder）和解码器（Decoder），位置编码）非数值就是基于索引的编码方法；结合了扩散模型的生成过程和知识蒸馏的教师-学生架构，主要思想是通过教师模型的指导，使学生模型能够更高效地学习扩散过程中的去噪步骤，从而加快生成速度并提高生成质量。扩散模型（良好的质量和收敛性，运行速度慢）和生成对抗网络（快速采样，收敛困难，多样性差）和变分自编码器（收敛迅速，表现良好但是质量欠佳）
OpenMP Tutorial学习笔记(12)OpenMP运行库函数（Run-Time Library Routines）
。。。。
11-16 3380
OpenMP Tutorial：https://computing.llnl.gov/tutorials/openMP/#RunTimeLibrary （1）Summary： OpenMP标准定义了一系列的API用于实现以下功能： 1. 查询线程/处理器数量，设置要使用的线程数。 2. 用于实现锁的函数（信号量） 3. 可移植的计时函数 4. 执行环境的设置（如是否动态线程，是否嵌套并
OpenMP中omp_set_dynamic()和OMP_DYNAMIC环境变量详解
。。。。
11-23 7252
理解这部分内容之前，先要理解omp_get_num_threads()和omp_get_max_threads()的含义和区别，参考：http://blog.youkuaiyun.com/gengshenghong/article/details/7003110 （1）OMP_DYNAMIC环境变量： 取值为TRUE和FALSE，定义是否动态设定并行区域执行的线程，默认为false。 根据MSDN的说明
OpenMP在C6000上的中文文档
11-09
该文档是自己翻译，整理的OpenMP在TMS320C6678上的建立工程
TIC6678多核DSP的入门-DSP培训课件之十,c6678多核dsp资料
09-10
多核DSP编程入门教材，适用于C6678
6678_OpenMP学习笔记整理（二）——task
huang_wifi的博客
04-23 1793
6678_OpenMP学习笔记整理 一、OpenMP任务处理模型 1、OpenMP 任务执行 显式任务使用task构造指定，该构造可放置在程序中的任一位置。只要线程遇到task构造，就会生成一个新任务 允许线程在任务调度点暂停执行任务区域，以便执行另一任务 与任务关联的代码仅执行一次。如果代码从始至终都必须由相同的线程执行，则任务为绑定 (tied)任务。如果代码可由多个线程执行，即由不同的线程执行任务代码的不同部分，则任务为非绑定 (untied) 任务 OpenMP 规范还介绍...
OpenMp并行计算技术的简介
weixin_56273009的博客
05-28 1147
OpenMP是一种基于共享内存的并行编程技术，它可以在多核处理器上实现并行计算。OpenMP使用指令来告诉编译器如何将代码分解为任务，并将这些任务分配给多个处理器核心。总的来说，OpenMP是一种非常有用的并行编程技术，可以帮助开发人员利用多核处理器的性能优势。通过使用OpenMP指令，开发人员可以轻松地将代码并行化，并利用多核处理器的性能优势。在使用OpenMP时，需要注意硬件和代码的特性，以确保获得最佳的性能提升。开头，这告诉编译器这是一个特殊的指令，需要特殊处理。，可以用来并行化不同类型的代码块。
openmp并行嵌套实例
程序员的自我修养_Will.zhang
12-12 1976
//#include #include "stdafx.h" void report_num_threads(int level) { //#pragma omp parallel { printf("level %d:number of threads in the team - %d\n",level,omp_get_num_threads()); } } int _tmain(
OpenMP的三种线程与核绑定方式
yan31415的博客
08-12 6430
之前看到OpenMP入门教程比较多，但是核绑定这部分比较少。把核绑定的语句先写在这里。 /*omp的三种核绑定方式*/ #pragma omp parallel proc_bind(master) #pragma omp parallel proc_bind(close) #pragma omp parallel proc_bind(spread) /*有些服务器只支持以下这种语句*/ #pragma omp proc_bind(master) #pragma omp proc_bind(clo
OpenMP的环境变量
yu132563的专栏
04-08 1594
OpenMP的环境变量：环境变量描述示例OMP_SCHEDULE控制for循环任务分配结构的调度OMP_SCHEDULE=”guided,2”OMP_NUM_THREADS设置默认线程的个数OMP_SCHEDULE=4OpenMP的库函数函数名称描述int omp_get_num_threads(void)返回当前使用的线程个数，如果在并行区域外则返回1int omp_set_num_threads
Faiss优化:针对OMP_NUM_THREADS环境变量设置的测试验证
热门推荐
weixin_33758863的博客
12-21 1万+
前言 记录一下Faiss在项目使用中的一些优化，对OMP_NUM_THREADS 环境变量参数的测试验证～ OMP_NUM_THREADS 用于控制线程并发数. 测试条件：单个循环请求，持续时间大于15m; 基础数据：200w 软件环境：docker; ubuntu 16.04 ;python2.7; faiss...
实现一种或多种并行排序算法——基于MPI+OpenMP的并行程序设计
05-09
MPI和OpenMP都是并行程序设计的重要工具，可以实现高效的并行计算。下面介绍两种基于MPI+OpenMP的并行排序算法：归并排序和快速排序。 ## 归并排序 归并排序是一种分治算法，它将待排序的数组分成两个子数组，分别排序，然后将已排序的子数组合并成一个更大的有序数组。该算法的时间复杂度为O(nlogn)。 ### 并行实现 1. 每个进程读取并分配一部分待排序数据。 2. 每个进程使用OpenMP并行进行归并排序。 3. 将每个进程排序后的子数组发送到Master进程。 4. Master进程使用归并操作合并每个子数组，得到最终的有序数组。 代码实现如下： ```c++ #include <stdio.h> #include <stdlib.h> #include <mpi.h> #include <omp.h> void merge(int *arr, int left, int mid, int right) { int i, j, k; int n1 = mid - left + 1; int n2 = right - mid; int L[n1], R[n2]; for (i = 0; i < n1; i++) L[i] = arr[left + i]; for (j = 0; j < n2; j++) R[j] = arr[mid + 1 + j]; i = 0; j = 0; k = left; while (i < n1 && j < n2) { if (L[i] <= R[j]) { arr[k] = L[i]; i++; } else { arr[k] = R[j]; j++; } k++; } while (i < n1) { arr[k] = L[i]; i++; k++; } while (j < n2) { arr[k] = R[j]; j++; k++; } } void mergeSort(int *arr, int left, int right) { if (left < right) { int mid = left + (right - left) / 2; #pragma omp parallel sections { #pragma omp section { mergeSort(arr, left, mid); } #pragma omp section { mergeSort(arr, mid + 1, right); } } merge(arr, left, mid, right); } } int main(int argc, char **argv) { int *data = NULL; int *sub_data = NULL; int *sub_sorted_data = NULL; int n = 1000000; int i, j, k, p, rank, size; double start, end; MPI_Init(&argc, &argv); MPI_Comm_rank(MPI_COMM_WORLD, &rank); MPI_Comm_size(MPI_COMM_WORLD, &size); sub_data = (int *)malloc(n / size * sizeof(int)); sub_sorted_data = (int *)malloc(n / size * sizeof(int)); if (rank == 0) { data = (int *)malloc(n * sizeof(int)); for (i = 0; i < n; i++) { data[i] = rand() % n; } } start = MPI_Wtime(); MPI_Scatter(data, n / size, MPI_INT, sub_data, n / size, MPI_INT, 0, MPI_COMM_WORLD); mergeSort(sub_data, 0, n / size - 1); MPI_Gather(sub_data, n / size, MPI_INT, data, n / size, MPI_INT, 0, MPI_COMM_WORLD); if (rank == 0) { int *temp = (int *)malloc(n * sizeof(int)); for (i = 0; i < size; i++) { for (j = 0; j < n / size; j++) { temp[i * n / size + j] = data[i + j * size]; } } mergeSort(temp, 0, n - 1); free(temp); } end = MPI_Wtime(); if (rank == 0) { printf("Time: %lf seconds\n", end - start); } MPI_Finalize(); free(data); free(sub_data); free(sub_sorted_data); return 0; } ``` ## 快速排序 快速排序是一种分治算法，它通过选择一个基准元素，将数组分成两个子数组，其中一个子数组中的元素都小于基准元素，另一个子数组中的元素都大于基准元素，然后递归地排序子数组。该算法的时间复杂度为O(nlogn)。 ### 并行实现 1. 每个进程读取并分配一部分待排序数据。 2. 每个进程使用OpenMP并行进行快速排序。 3. 将每个进程排序后的子数组发送到Master进程。 4. Master进程使用归并操作合并每个子数组，得到最终的有序数组。 代码实现如下： ```c++ #include <stdio.h> #include <stdlib.h> #include <mpi.h> #include <omp.h> void swap(int *a, int *b) { int temp = *a; *a = *b; *b = temp; } int partition(int *arr, int low, int high) { int pivot = arr[high]; int i = low - 1; int j; #pragma omp parallel for for (j = low; j <= high - 1; j++) { if (arr[j] < pivot) { i++; swap(&arr[i], &arr[j]); } } swap(&arr[i + 1], &arr[high]); return i + 1; } void quickSort(int *arr, int low, int high) { if (low < high) { int pi = partition(arr, low, high); #pragma omp parallel sections { #pragma omp section { quickSort(arr, low, pi - 1); } #pragma omp section { quickSort(arr, pi + 1, high); } } } } int main(int argc, char **argv) { int *data = NULL; int *sub_data = NULL; int *sub_sorted_data = NULL; int n = 1000000; int i, j, k, p, rank, size; double start, end; MPI_Init(&argc, &argv); MPI_Comm_rank(MPI_COMM_WORLD, &rank); MPI_Comm_size(MPI_COMM_WORLD, &size); sub_data = (int *)malloc(n / size * sizeof(int)); sub_sorted_data = (int *)malloc(n / size * sizeof(int)); if (rank == 0) { data = (int *)malloc(n * sizeof(int)); for (i = 0; i < n; i++) { data[i] = rand() % n; } } start = MPI_Wtime(); MPI_Scatter(data, n / size, MPI_INT, sub_data, n / size, MPI_INT, 0, MPI_COMM_WORLD); quickSort(sub_data, 0, n / size - 1); MPI_Gather(sub_data, n / size, MPI_INT, data, n / size, MPI_INT, 0, MPI_COMM_WORLD); if (rank == 0) { int *temp = (int *)malloc(n * sizeof(int)); for (i = 0; i < size; i++) { for (j = 0; j < n / size; j++) { temp[i * n / size + j] = data[i + j * size]; } } quickSort(temp, 0, n - 1); free(temp); } end = MPI_Wtime(); if (rank == 0) { printf("Time: %lf seconds\n", end - start); } MPI_Finalize(); free(data); free(sub_data); free(sub_sorted_data); return 0; } ``` 以上两种算法都可以通过MPI+OpenMP实现并行排序，提高了算法的效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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