OpenMP的用法

在双重循环中怎样写OpenMP？

那要分析你的外循环跟内循环有没有彼此依赖的关系

unsigned int nCore = GetComputeCore();

unsigned int nStep = IMAGETILEYSIZE / nCore;

#pragma omp parallel for private(Level0_x, Level0_y, ChangeLevel0_x, ChangeLevel0_y, InterX1, InterX2, InterY1, InterY2)

for (int k = 0; k < nCore; k++)

{

int begin = k * nStep;

int end = (k + 1) * nStep;

for (int YOff = begin; YOff < end; YOff++)

{

for (int XOff = 0; XOff < IMAGETILEXSIZE; XOff++)

{

Level0_x = pPixelXBuf[YOff][XOff];

Level0_y = pPixelYBuf[YOff][XOff];

ChangeLevel0_x = Level0_x - XMin;

ChangeLevel0_y = Level0_y - YMin;

//寻找坐标在Level1Buf中对应的4个像素值

InterX1 = (int)(ChangeLevel0_x);

InterX2 = (int)(ChangeLevel0_x + 1);

InterY1 = (int)(ChangeLevel0_y);

InterY2 = (int)(ChangeLevel0_y + 1);

//双线性插值对Level0_Buf赋值

ZoomInterpolation(Level0Buf, Level1Buf, ChangeLevel0_x, ChangeLevel0_y, SamplesPerPixel, nXSize,

nYSize, InterX1, InterX2, InterY1, InterY2, XOff, YOff);

}

}

}

我也想应该这样，可是如果nCore=1的时候，外循环只循环一次，线程是怎么分配的呢。其实最外层的循环如果很多，就在外循环分配线程是不是就可以不考虑里面的循环了？

nCore = 1,就是单核单cpu,多核循环就跟普通的循环没有差别，

openmp默认有几个内核就开几个线程同时运行。所以单核openmp也没有什么意义，此时你也可以开两个线程“同时”运行，但在单核机器上，两个线程是不可能同时运行的

可以不考虑里面的循环。你只要保证外循环跟外循环之间，内寻环跟内循环之间没有数据依赖关系就行。

假设

for (int i = 0; i < 200000000; i++)

在双核的机器上，第一个线程从0到100000000，第二个从100000000到200000000，两个循环同时运行，但是10000000是依赖9999999，或者第一个的其他数值，那就不能用openmp 来并行，或者要改变并行的方式

我给你的例子中，是一个对2G的图像进行L0_L1转换的一段重采样代码，首先取图像的一块，如512*512，

判断有几个内核，然后将512分给内核，那么每个内核处理的内存大小就是512*512/ncore,这几个内核同时对这个512*512大小的内存进行重采样，因为图像数据间彼此没有依赖关系，每个像素对应一个RGB值。所以可以用openmp.

请问：openmp这三种实现方法的本质差别

我想要在两个功能相似的for循环中使用并行，使用了如下三种方法：

1，并行度：4.53%;使用并行的函数运行时间：78031；

#pragma omp parallel for nowait firstprivate(cipher0,plain,cipher1,Key) private(j)

for(i=0;i <(Nbits_Plaintext-2);i++)

{

plain[i]=1;

for(j=(i+1);j <(Nbits_Plaintext-1);j++)

{

plain[j]=1;

degree_0(cipher0);

desfunc(cipher1,plain,Key);

if(cipher1[j])

{

#pragma omp atomic

num_of_degree[j]++;//InterlockIncrement(&num_of_degree[m]);

}

plain[i]=0;

}

}

#pragma omp parallel for firstprivate(cipher0,plain,cipher1,Key) private(j)

for(i=0;i <(Nbits_Plaintext-2);i++)

{

Key[i]=1;

for(j=(i+1);j <(Nbits_Plaintext-1);j++)

{

Key[j]=1;

degree_0(cipher0);

desfunc(cipher1,plain,Key);

if(cipher1[j])

{

#pragma omp atomic

num_of_degree[j]++;

}

Key[i]=0;

}

}

2，并行度：4.35%;使用并行的函数运行时间：78571;

#pragma omp parallel

{

#pragma omp for nowait firstprivate(cipher0,plain,cipher1,Key) private(j,k,m)

for(i=0;i <(Nbits_Plaintext-2);i++)

{…}

#pragma omp for firstprivate(cipher0,plain,cipher1,Key) private(j,k,m)

for(i=0;i <(Nbits_Plaintext-2);i++)

{…}

}

3, 并行度：5.49%;使用并行的函数运行时间：51453;

#pragma omp parallel firstprivate(cipher0,plain,cipher1,Key) private(i,j,k,m)

{

#pragma omp sections

{

#pragma omp section

{

for(i=0;i <(Nbits_Plaintext-2);i++)

{…}

}

#pragma omp section

{

for(i=0;i <(Nbits_Plaintext-2);i++)

{…}

}

}

}

其中，并行度是由Intel thread profiler分析得到的，而运行时间是根据finish_clock()-start_clock()得到；