1

我打算用从一系列步骤派生的值填充一个稀疏矩阵，以提高效率，OpenMP 用于加速这些进程，我发现它在使用 1 个线程时工作正常，但在多线程时遇到了段错误，我准备了一个简单的演示代码来重现错误，真诚地希望有人能帮我一个忙。

#include <RcppArmadillo.h>
#include <omp.h>

// [[Rcpp::plugins(cpp11)]]
// [[Rcpp::depends(RcppArmadillo)]]
// [[Rcpp::depends(bigmemory, BH)]]

using namespace std;
using namespace Rcpp;
using namespace arma;

// [[Rcpp::export]]
arma::sp_mat test(arma::vec x, int n, int threads = 1){
    omp_set_num_threads(threads);
    arma::sp_mat m(n, n);
    #pragma omp parallel for schedule(dynamic) 
    for(int i = 0; i < n; i++){
        for(int j = 0; j < n; j++){
            m(i, j) = x[i * n + j];
        }
    }
    return m;
}

# run 
a<-test(sample(c(0,1,2),100*100,rep=T), n=100, threads=1)
a<-test(sample(c(0,1,2),100*100,rep=T), n=100, threads=10)
4

1 回答 1

3

tl;博士：你不能。

更长的故事：(Rcpp)Armadillo 的主要优势之一是在底层操作之上的非常好的和一致的 API，这些操作介于令人困惑和难以使用之间。缺点之一是我们很容易忽视底层数据结构。

密集矩阵是（基本上总是）固定的内存块。本质上，一个大小为行 x 列的向量。这使我们能够在 R 和 (Rcpp)Armadillo 之间进行有效的“零拷贝”传输。它还允许我们同时处理不重叠的块。这很重要，例如RcppParallel 充分利用了它。OpenMP 在这里工作。

稀疏矩阵是（我在这里简化）具有相互依赖关系的动态列表/向量类型。所以并发工作根本无法工作。伤心。但事实就是如此。一旦您更仔细地查看稀疏矩阵的常见数据结构（如R 的 Matrix 包所做的那样），就会清楚。例如，这个维基百科的文章是一个相当不错和彻底的介绍。

于 2019-10-18T14:46:01.260 回答