Wie verwende ich STL für verteiltes Rechnen in C++?

Wie verwende ich STL für verteiltes Rechnen in C++? Durch die Verwendung der STL-Algorithmus-Parallelisierung, die Zusammenarbeit mit Ausführenden und die Entwicklung praktischer Fälle wie Bildverarbeitungs-Pipelines.

So verwenden Sie STL für verteiltes Rechnen in C++

Einführung

Beim verteilten Rechnen werden Aufgaben auf mehrere Computerknoten verteilt, um die Verarbeitungsgeschwindigkeit zu erhöhen. Die C++ Standard Template Library (STL) bietet Parallelitätstools, mit denen Sie verteilte Computeranwendungen entwickeln können.

Parallelisieren von STL-Algorithmen

Sie können STL-Algorithmen parallelisieren, indem Sie die Funktionen std::async und std::future verwenden. std::async startet eine asynchrone Aufgabe und gibt ein Handle an das von der Aufgabe generierte std::future-Objekt zurück. std::async 和 std::future 函数将 STL 算法并行化。std::async 启动一个异步任务，返回指向该任务生成的 std::future 对象的句柄。

// 计算无序向量中所有整数的总和
std::vector<int> numbers = {1, 2, 3, 4, 5};
int sum = 0;

// 并行化 for_each 算法
std::for_each(numbers.begin(), numbers.end(), [&](int n) {
  std::future<int> result = std::async(std::launch::async, [] { return n * n; });

  // 在另一个线程中执行的计算
  sum += result.get();
});

std::cout << "Sum: " << sum << std::endl;

Using Executors

执行器是并发性库的一部分，提供了跨线程池管理任务的抽象。可以使用 std::execution::parallel_unsequenced

// 查找向量中所有奇数
std::vector<int> numbers = {1, 2, 3, 4, 5};
std::vector<int> oddNumbers;

// 使用执行器上的 parallel_unsequenced 策略
std::execution::parallel_unsequenced(numbers.begin(), numbers.end(),
                                    [&](int n) { if (n % 2) oddNumbers.push_back(n); });

std::cout << "Odd numbers: ";
for (int n : oddNumbers) {
  std::cout << n << " ";
}
std::cout << std::endl;

Executors verwenden

Executors sind Teil der Parallelitätsbibliothek und bieten eine Abstraktion für die Verwaltung von Aufgaben über Thread-Pools hinweg. STL-Algorithmen können auf dem Executor mithilfe der Strategie std::execution::parallel_unsequenced parallelisiert werden.

// 图像处理管道
struct ImageProcessingPipeline {
  // 调整大小
  std::vector<std::future<cv::Mat>> resizeTasks;

  // 转换
  std::vector<std::future<cv::Mat>> convertTasks;

  // 保存
  std::vector<std::future<void>> saveTasks;

  // 执行管道
  std::vector<cv::Mat> execute(const std::vector<cv::Mat>& images) {
    for (const cv::Mat& image : images) {
      // 并行化调整大小
      resizeTasks.emplace_back(std::async(std::launch::async,
                                         [&image] { return resize(image, 500, 500); }));
    }

    // 等待所有调整大小的任务完成
    for (auto& task : resizeTasks) task.get();

    // 并行化转换
    for (auto& resizedImage : resizeTasks) {
      convertTasks.emplace_back(
          std::async(std::launch::async, [&resizedImage] { return convert(resizedImage); }));
    }

    // 等待所有转换任务完成
    for (auto& task : convertTasks) task.get();

    // 并行化保存
    for (auto& convertedImage : convertTasks) {
      saveTasks.emplace_back(std::async(std::launch::async,
                                     [&convertedImage](const std::string& path) { return save(convertedImage, path); },
                                     "output/image_" + std::to_string(i) + ".jpg"));
    }

    // 等待所有保存任务完成
    for (auto& task : saveTasks) task.get();
  }
};

Praktischer Fall

Parallelisierende Bildverarbeitungspipeline

🎜🎜Stellen Sie sich vor, Sie hätten eine Pipeline zum Verarbeiten von Bildern, einschließlich Vorgängen zur Größenänderung, Konvertierung und Speicherung von Bildern. Durch die Parallelisierung dieser Vorgänge können Sie den Pipeline-Durchsatz erheblich steigern. 🎜rrreee🎜Durch die Verwendung der Parallelitätstools und Executoren von STL können Sie problemlos effiziente verteilte Computeranwendungen in C++ entwickeln. 🎜

Das obige ist der detaillierte Inhalt vonWie verwende ich STL für verteiltes Rechnen in C++?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!