我认为使用多线程处理简单而繁重的工作(例如矩阵计算)比使用单线程更好，所以我测试了以下代码:

int main()
{
    constexpr int N = 100000;

    std::random_device rd;
    std::mt19937 mt(rd());
    std::uniform_real_distribution<double> ini(0.0, 10.0);

    // single-thread
    {
        std::vector<int> vec(N);
        for(int i = 0; i < N; ++i)
        {
            vec[i] = ini(mt);
        }

        auto start = std::chrono::system_clock::now();

        for(int i = 0; i < N; ++i)
        {
            vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
        }

        auto end = std::chrono::system_clock::now();
        auto dur = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();
        std::cout << "single : " << dur << " ms."<< std::endl;
    }

    // multi-threading (Th is the number of threads)
    for(int Th : {1, 2, 4, 8, 16})
    {
        std::vector<int> vec(N);
        for(int i = 0; i < N; ++i)
        {
            vec[i] = ini(mt);
        }

        auto start = std::chrono::system_clock::now();

        std::vector<std::future<void>> fut(Th);
        for(int t = 0; t < Th; ++t)
        {
            fut[t] = std::async(std::launch::async, [t, &vec, &N, &Th]{
                for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
                {
                    vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
                }
            });
        }
        for(int t = 0; t < Th; ++t)
        {
            fut[t].get();
        }

        auto end = std::chrono::system_clock::now();
        auto dur = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();
        std::cout << "Th = " << Th << " : " << dur << " ms." << std::endl;
    }

    return 0;
}

执行环境:

OS : Windows 10 64-bit
Build-system : Visual Studio Community 2015
CPU : Core i5 4210U

在 Debug 模式下构建这个程序时，结果如我所料:

single : 146 ms.
Th = 1 : 140 ms.
Th = 2 : 71 ms.
Th = 4 : 64 ms.
Th = 8 : 61 ms.
Th = 16 : 68 ms.

这表示不使用 std::async 的代码与使用单线程的代码具有相同的性能，而当使用 4 或 8 个线程时，我可以获得出色的性能。

但是，当处于Release 模式时，我得到了不同的结果(N : 100000 -> 100000000):

single : 54 ms.
Th = 1 : 443 ms.
Th = 2 : 285 ms.
Th = 4 : 205 ms.
Th = 8 : 206 ms.
Th = 16 : 221 ms.

我想知道这个结果。就后半段代码而言，多线程只是比单线程性能要好。但最快的是前半部分代码，它不使用 std::async。我知道围绕多线程的优化和开销对性能有很大影响。然而，

• 这个过程只是 vector 的计算，那么多线程代码可以优化什么，单线程代码可以优化什么？
• 本程序不包含互斥或原子等任何内容，不会发生数据冲突。我认为多线程的开销相对较小。
• 不使用 std::async 的代码中的 CPU 使用率低于多线程代码。使用大部分 CPU 是否高效？

更新:我尝试研究矢量化。我启用了 /Qvec-report:1选项并得到事实:

//vectorized (when N is large)
for(int i = 0; i < N; ++i)
{
    vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
}

//not vectorized
auto lambda = [&vec, &N]{
    for(int i = 0; i < N; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
};
lambda();

//not vectorized
std::vector<std::future<void>> fut(Th);
for(int t = 0; t < Th; ++t)
{
    fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
        for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
        {
            vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
        }
    });
}

和运行时间:

single (with vectorization) : 47 ms.
single (without vectorization)  : 70 ms.

可以肯定的是，for-loop 在多线程版本中没有被向量化。但是，由于其他原因，该版本还需要很长时间。

更新 2:我重写了 lambda 中的 for 循环(类型 A 到类型 B):

//Type A (the previous one)
fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
    for(int i = t*N / Th; i < (t + 1)*N / Th; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//Type B (the new one)
fut[t] = std::async(std::launch::async, [t, &vec, &N, Th]{
    int nb = t * N / Th;
    int ne = (t + 1) * N / Th;
    for(int i = nb; i < ne; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

B 型效果很好。结果:

single (vectorized) : 44 ms.
single (invectorized) : 77 ms.
--
Th = 1 (Type A) : 435 ms.
Th = 2 (Type A) : 278 ms.
Th = 4 (Type A) : 219 ms.
Th = 8 (Type A) : 212 ms.
--
Th = 1 (Type B) : 112 ms.
Th = 2 (Type B) : 74 ms.
Th = 4 (Type B) : 60 ms.
Th = 8 (Type B) : 61 ms.

Type B 的结果是可以理解的(多线程代码会比单线程向量化代码运行得更快，但不如向量化代码快)。另一方面，Type A 似乎等同于 Type B(只是使用临时变量)，但它们显示出不同的性能。这两种类型可以认为是生成不同的汇编代码。

更新 3:我可能会发现一个减慢多线程 for 循环的因素。在for的条件下进行分割.这是单线程测试:

//ver 1 (ordinary)
fut[t] = std::async(std::launch::async, [&vec, &N]{
    for(int i = 0; i < N; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 2 (introducing a futile variable Q)
int Q = 1;
fut[t] = std::async(std::launch::async, [&vec, &N, Q]{
    for(int i = 0; i < N / Q; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 3 (using a temporary variable)
int Q = 1;
fut[t] = std::async(std::launch::async, [&vec, &N, Q]{
    int end = N / Q;
    for(int i = 0; i < end; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

//ver 4 (using a raw value)
fut[t] = std::async(std::launch::async, [&vec]{
    for(int i = 0; i < 100000000; ++i)
    {
        vec[i] = 2 * vec[i] + 3 * vec[i] - vec[i];
    }
});

和运行时间:

ver 1 : 132 ms.
ver 2 : 391 ms.
ver 3 : 47 ms.
ver 4 : 43 ms.

第 3 版和第 4 版 得到了很好的优化，第 1 版 没有那么优化，因为我认为编译器无法将 N 捕获为不变的，尽管 N 是 constexpr。 .我认为 ver 2 由于同样的原因非常慢。编译器不明白 N 和 Q 不会变化。所以条件i < N / Q将需要繁重的汇编代码，这会减慢 for 循环的速度。

最佳答案

当你运行单线程时，你的单线程在缓存中有 vec，因为你刚刚从 mt 创建它。而且它会在缓存中保持良好的流式传输，因为它是所有缓存级别的唯一用户。
我认为这里没有进行太多矢量化，否则你会得到更短的时间。不过，我可能是错的，因为内存带宽是这里的关键。你看过 asm 了吗？

1. 任何其他线程都必须获取 ram。在您的情况下，这本身并不是一个大问题，因为它是一个 cpu，所以 L3 是共享的，而且数据集无论如何都大于 L3。
   但是，多个线程争夺 L3 是不好的。我认为这是这里的主要因素。

2. 您运行的线程过多。你应该运行尽可能多的线程，因为你有核心，以减少上下文切换和缓存垃圾。
   当 2 个硬件线程在管道(这里不是这种情况)、BP(这里不是这种情况)和缓存利用率(这里是强情况 -> 参见 #1)中有足够的“漏洞”时，HT 是有益的。
   我真的很惊讶 >2 个线程并没有降低更多 --- 现在的 cpus 很棒!

3. 主题发布和学期时间难以预测。如果您想要更高的可预测性，请持续运行线程并使用一些廉价的信号来启动它们并通知它们已完成。

编辑:具体问题的答案

The process is just calculation of the vector, so what can be optimized not in the multi-thread codes but in the single-thread codes?

这里没有太多代码可以优化....您可以分解长循环以启用循环展开:

C = 16; // try other C values?
for(int i=nb; i<ne; i+=C) {
  for(int j=0; j<C; j++)
    vec[i+j] = ...; // that's === vec[i] <<= 2;
}
// need to do the remainder....

如果编译器没有，您可以手动矢量化。先看组装。

This program contains nothing about mutex or atomic etc, and data conflict might not occur. I think overheads around multithreading would be relatively small.

没错。除了线程可能会在自己的时间启动。尤其是在 Windows 上，尤其是在有很多 Windows 的情况下。

CPU utilization in the codes not using std::async is smaller than in the multi-threading codes. Is it efficient to use the large part of CPU?

你总是想在更短的时间内使用更多的 cpu %。我不确定你看到了什么，因为这里没有 IO。

关于c++ - 为什么多线程的 for 循环没有单线程的性能好？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35666106/