C++ 并行化库：OpenMP 与线程构建块

Question

我将改进我的自定义图形引擎，以便它利用多核 CPU。 更准确地说，我正在寻找一个并行循环的库。

在我看来，OpenMP 和 Intel 的线程构建模块都非常适合这项工作。 此外，Visual Studio 的 C++ 编译器和大多数其他流行的编译器都支持两者。 这两个库看起来都非常简单易用。

那么，我应该选择哪一个呢？ 有没有人尝试过这两个库，并且可以告诉我使用这两个库的一些缺点和优点？ 另外，你最后选择做什么工作？

谢谢，

阿德里安

Answer 1

我没有广泛使用 TBB，但我的印象是它们是互补而不是竞争。 TBB 提供了线程安全容器和一些并行算法，而 OpenMP 更多的是一种并行化现有代码的方式。

就我个人而言，我发现 OpenMP 很容易放入现有代码中，其中您有一个可并行循环或一堆可以并行运行的部分。 但是，它对您没有帮助，特别是在您需要修改某些共享数据的情况下 - TBB 的并发容器可能正是您想要的。

如果您想要的只是并行化循环，其中迭代是独立的（或者可以相当容易地实现），那么我会选择 OpenMP。 如果您需要线程之间更多的交互，我认为 TBB 在这方面可能会提供更多的功能。

Answer 2

来自英特尔的软件博客：比较用于并行编程的 Windows* 线程、OpenMP*、英特尔® 线程构建模块

这也是风格问题 - 对我来说 TBB 非常像 C++，而我不喜欢不太喜欢 OpenMP 编译指示（有点 C 的味道，如果我必须用 C 编写，我会使用它）。

我还会考虑团队现有的知识和经验。 学习一个新的库（特别是在线程/并发方面）确实需要一些时间。 我认为目前 OpenMP 比 TBB 更广为人知和部署（但这只是我的观点）。

还有另一个因素 - 但考虑到最常见的平台，可能不是问题 - 可移植性。 但许可证可能是一个问题。

• TBB 融合了一些源自学术研究的优秀研究，例如 递归数据并行方法。
• 有一些关于缓存友好性的工作，例如 示例。
• Intel博客的讲座看起来真的很有趣。

Answer 3

总的来说，我发现使用 TBB 需要对代码库进行更耗时的更改，并且回报较高，而 OpenMP 则提供快速但中等的回报。 如果您正在从头开始一个新模块并进行长期考虑，请选择 TBB。 如果您想要小而立竿见影的收益，请选择 OpenMP。

此外，TBB 和 OpenMP 并不相互排斥。

Answer 4

我实际上使用过这两种方法，我的总体印象是，如果您的算法相当容易实现并行（例如，大小均匀的循环，没有太多的数据相互依赖性），OpenMP 会更容易，并且使用起来非常好。 事实上，如果您发现可以使用 OpenMP，而且您知道您的平台将支持它，那么这可能是更好的选择。 我没有使用 OpenMP 的新任务结构，它比原来的循环和部分选项更通用。

TBB 预先为您提供了更多数据结构，但肯定需要更多预先数据结构。 作为一个优点，它可能可以更好地让您意识到竞争条件错误。 我的意思是，在 OpenMP 中，通过不共享（或其他）应该共享的内容来启用竞争条件是相当容易的。 只有当你得到不好的结果时你才会看到这一点。 我认为 TBB 发生这种情况的可能性较小。

总的来说，我个人更喜欢 OpenMP，特别是考虑到它增强了任务的表现力。

Answer 5

据我所知，TBB（有一个可用的 GPLv2 下的开源版本）更多地针对 C++，而不是 C 领域。 现在很难找到 C++ 和一般 OOP 并行化的特定信息。大多数地址都是函数式的东西，比如 c（在 CUDA 或 OpenCL 上也是如此）。 如果您需要 C++ 支持并行化，请选择 TBB！

Answer 6

是的，TBB 对 C++ 更友好，而 OpenMP 考虑到其设计，更适合 FORTRAN 风格的 C 代码。 OpenMP 中的新任务功能看起来非常有趣，同时 C++0x 中的 Lambda 和函数对象可能会让 TBB 更易于使用。

Answer 7

在 Visual Studio 2008 中，您可以添加以下行来并行化任何“for”循环。 它甚至可以与多个嵌套的 for 循环一起使用。 下面是一个示例：

#pragma omp parallel for private(i,j)
for (i=0; i<num_particles; i++)
{
  p[i].fitness = fitnessFunction(p[i].present);
  if (p[i].fitness > p[i].pbestFitness)
  { 
     p[i].pbestFitness = p[i].fitness;
     for (j=0; j<p[i].numVars; j++) p[i].pbest[j] = p[i].present[j];
  }
}  
gbest = pso_get_best(num_particles, p);

在我们添加 #pragma omp parallel 后，我的 Core 2 Duo 上的两个内核均已达到最大容量，因此总 CPU 使用率从 50% 变为 100%。