HOW TO：平行執行對應和縮減作業

發行項
02/28/2013

本範例顯示如何使用 concurrency::parallel_transform 和 concurrency::parallel_reduce 演算法和 concurrency::concurrent_unordered_map 類別，以計算出現次數，檔案中的字數。

A 對應作業套用至每個值序列中的函式。A 降低作業結合成一個值序列的項目。您可以使用標準樣板程式庫 (STL) std::transform std::accumulate 來執行對應，並減少作業的類別。不過，若要改善效能的許多問題，您可以使用parallel_transform以平行方式執行「對應」作業的演算法和parallel_reduce以平行方式執行縮小作業的演算法。在某些情況下，您可以使用concurrent_unordered_map在單一作業中執行的對應和縮小。

範例

下面範例計算在檔案中的字組的項目。它會使用 std::vector 代表兩個檔案的內容。「對應」作業會計算每個單字的每個向量的出現項目。縮小作業累積兩者都是向量間的字數統計。

// parallel-map-reduce.cpp
// compile with: /EHsc
#include <ppl.h>
#include <algorithm>
#include <iostream>
#include <string>
#include <vector>
#include <numeric>
#include <unordered_map>
#include <windows.h>

using namespace concurrency;
using namespace std;

class MapFunc 
{ 
public:
    unordered_map<wstring, size_t> operator()(vector<wstring>& elements) const 
    { 
        unordered_map<wstring, size_t> m;
        for_each(begin(elements), end(elements), [&m](const wstring& elem)
        { 
            m[elem]++;
        });
        return m; 
    }
}; 

struct ReduceFunc : binary_function<unordered_map<wstring, size_t>, 
                    unordered_map<wstring, size_t>, unordered_map<wstring, size_t>>
{
    unordered_map<wstring, size_t> operator() (
        const unordered_map<wstring, size_t>& x, 
        const unordered_map<wstring, size_t>& y) const
    {
        unordered_map<wstring, size_t> ret(x);
        for_each(begin(y), end(y), [&ret](const pair<wstring, size_t>& pr) {
            auto key = pr.first;
            auto val = pr.second;
            ret[key] += val;
        });
        return ret; 
    }
}; 

int wmain()
{ 
    // File 1 
    vector<wstring> v1;
    v1.push_back(L"word1"); //1 
    v1.push_back(L"word1"); //2 
    v1.push_back(L"word2"); 
    v1.push_back(L"word3"); 
    v1.push_back(L"word4"); 

    // File 2 
    vector<wstring> v2; 
    v2.push_back(L"word5"); 
    v2.push_back(L"word6"); 
    v2.push_back(L"word7"); 
    v2.push_back(L"word8"); 
    v2.push_back(L"word1"); //3 

    vector<vector<wstring>> v;
    v.push_back(v1);
    v.push_back(v2);

    vector<unordered_map<wstring, size_t>> map(v.size()); 

    // The Map operation
    parallel_transform(begin(v), end(v), begin(map), MapFunc()); 

    // The Reduce operation 
    unordered_map<wstring, size_t> result = parallel_reduce(
        begin(map), end(map), unordered_map<wstring, size_t>(), ReduceFunc());

    wcout << L"\"word1\" occurs " << result.at(L"word1") << L" times. " << endl;
} 
/* Output:
   "word1" occurs 3 times.
*/

編譯程式碼

若要編譯的程式碼，將它複製然後將它貼在 Visual Studio 專案中，或將它貼在檔名為 reduce.cpp-對應平行- ，然後執行下列命令，Visual Studio 的命令提示字元] 視窗中。

cl.exe /EHsc parallel-map-reduce.cpp

穩固程式設計

在這個範例中，您可以使用concurrent_unordered_map類別，定義在 concurrent_unordered_map.h—to 會執行對應，並減少在單一作業中。

// File 1 
vector<wstring> v1;
v1.push_back(L"word1"); //1 
v1.push_back(L"word1"); //2 
v1.push_back(L"word2"); 
v1.push_back(L"word3"); 
v1.push_back(L"word4"); 

// File 2 
vector<wstring> v2; 
v2.push_back(L"word5"); 
v2.push_back(L"word6"); 
v2.push_back(L"word7"); 
v2.push_back(L"word8"); 
v2.push_back(L"word1"); //3 

vector<vector<wstring>> v;
v.push_back(v1);
v.push_back(v2);

concurrent_unordered_map<wstring, size_t> result;
for_each(begin(v), end(v), [&result](const vector<wstring>& words) {
    parallel_for_each(begin(words), end(words), [&result](const wstring& word) {
        InterlockedIncrement(&result[word]);
    });
});

wcout << L"\"word1\" occurs " << result.at(L"word1") << L" times. " << endl;

/* Output:
   "word1" occurs 3 times.
*/

一般而言，您平行處理只有外部或內部迴圈。如果您有很少的檔案，而每個檔案含有許多字詞，平行處理內部迴圈。平行處理外部迴圈，如果您有相當多的檔案，而每個檔案都包含幾個字。