写在前面

1、本文内容
cmake编译测试openmp的效果

2、平台/环境
windows/linux均可，cmake
3、转载请注明出处：
https://blog.csdn.net/qq_41102371/article/details/131629705

代码

代码包含同样的for循环使用openmp加速，使用openmp加速并使用critical，不使用openmp的测试，代码目录结构如下，请将test_openmp.cpp和CMakeLists.txt放入src
在这里插入图片描述
test_openmp.cpp

#include <iostream>
#include <vector>
#include <chrono>

#include <omp.h>

void computeWithOpenMP(const std::vector<int> &data)
{
    // #pragma omp parallel
    {
        std::vector<int> result(data.size());
#pragma omp parallel for
        for (int i = 0; i < data.size(); ++i)
        {
            if (i >= 0 && i <= 1000000)
            {
                // 使用 OpenMP 并行计算
                result[i] = data[i] * 2;
            }
        }
    }
}

void computeWithOpenMPCritical(const std::vector<int> &data)
{
    {
        std::vector<int> result(data.size());
        int count = 0;
#pragma omp parallel for
        for (int i = 0; i < data.size(); ++i)
        {
            if (i >= 0 && i <= 1000000)
            {
#pragma omp critical

                // 使用 OpenMP 并行计算
                result[i] = data[i] * 2;
            }
        }
    }
}

void computeWithoutOpenMP(const std::vector<int> &data)
{
    std::vector<int> result(data.size());
    for (int i = 0; i < data.size(); ++i)
    {
        // 未使用 OpenMP，串行计算
        if (i >= 0 && i <= 1000000)
        {
            result[i] = data[i] * 2;
        }
    }
}


int main(int argc, char **argv)
{
#ifdef _OPENMP
    std::cout << "use _OPENMP" << std::endl;
    std::cout << "max tread: " << omp_get_max_threads() << std::endl;
#else
    std::cout << "no _OPENMP" << std::endl;
#endif
    int size = std::atoi(argv[1]);
    std::vector<int> data(size, 1);

    // 使用 OpenMP 加速的计算
    auto start = std::chrono::high_resolution_clock::now();
    computeWithOpenMP(data);
    auto end = std::chrono::high_resolution_clock::now();
    auto durationOpenMP = std::chrono::duration_cast<std::chrono::microseconds>(end - start).count() / 1000.0;

    // 使用 OpenMP 加速，并使用了critical
    start = std::chrono::high_resolution_clock::now();
    computeWithOpenMPCritical(data);
    end = std::chrono::high_resolution_clock::now();
    auto durationOpenMPCritical = std::chrono::duration_cast<std::chrono::microseconds>(end - start).count() / 1000.0;

    // 未使用 OpenMP 的计算
    start = std::chrono::high_resolution_clock::now();
    computeWithoutOpenMP(data);
    end = std::chrono::high_resolution_clock::now();
    auto durationNoOpenMP = std::chrono::duration_cast<std::chrono::microseconds>(end - start).count() / 1000.0;

    // 打印时间结果
    std::cout << "With OpenMP: " << durationOpenMP << " ms" << std::endl;
    std::cout << "With OpenMPCritical: " << durationOpenMPCritical << " ms" << std::endl;
    std::cout << "No OpenMP: " << durationNoOpenMP << " ms" << std::endl;
    return 0;
}

CMakeLists.txt

cmake_minimum_required(VERSION 3.18)
project(TestOpenMP)

find_package(OpenMP)
add_executable(test_openmp ./test_openmp.cpp)
if(OpenMP_CXX_FOUND)
    target_link_libraries(test_openmp OpenMP::OpenMP_CXX)
endif()

compile.bat

cmake -DCMAKE_BUILD_TYPE=Release -S ./src -B ./build
cmake --build ./build --config Release --target ALL_BUILD

run.bat

.\build\Release\test_openmp.exe 500000000

其中参数500000000是数据量，测试时修改不同值看效果

编译运行

编译

cd test_openmp
./compile.bat

运行

./run.bat

下面是数据量是500000000是在笔记本i7-12700H上的结果
在这里插入图片描述
请通过第一个打印信息use _OPENMP或者no _OPENMP来判断openmp是否正常配置或可用

关于加速效果

根据实测，加速效果根据硬件、for循环的计算内容、数据量而不同，有时候还看运气。
下面是chatgpt关于openmo加速效果的回答：
当使用 OpenMP 进行并行化时，性能的提升并不是绝对的，它取决于多个因素，包括但不限于以下几点：

并行化开销：并行化需要额外的开销来进行线程间的同步和任务划分。当问题规模较小时，这些开销可能会超过并行化带来的性能收益，从而导致性能下降。
数据访问模式：并行化的效果受到数据访问模式的影响。如果数据访问存在竞争条件或者导致缓存冲突，那么并行化可能会导致性能下降。在某些情况下，串行执行可能更有效。
硬件资源限制：并行化的效果受到可用的硬件资源限制的影响。如果系统的物理核心数有限，而问题规模较大，那么并行化的效果可能会受到限制。
任务粒度：任务的粒度越细，可以提供更好的负载平衡和并行化效果。如果任务过于细小，可能会导致线程间的同步开销超过并行化带来的性能收益。

在使用 OpenMP 进行并行化时，可以尝试以下几种方法来判断是否应该使用 OpenMP：

基于经验：根据以往的经验，对问题规模、计算复杂度和硬件环境进行评估。如果问题规模较大，计算复杂度高，并且有足够的硬件资源，那么可能值得尝试使用 OpenMP 进行并行化。
性能分析：使用性能分析工具（如 perf、gprof、Intel VTune 等）来评估串行代码的性能瓶颈，并检查是否存在并行化的潜在机会。通过性能分析，可以确定哪些代码段可以获得较大的性能提升，并尝试将其并行化。
实验验证：根据问题规模和计算复杂度，在小规模的样本上进行实验验证。比较串行和并行化的性能，并根据实验结果来决定是否使用 OpenMP 进行并行化。

重要的是要记住，并行化并不总是能够带来性能提升，有时甚至可能导致性能下降。在决定是否使用 OpenMP 进行并行化时，需要进行合理的评估和实验验证，结合问题的特点和硬件环境，做出明智的决策。