当前位置: 首页 > news >正文

C++17 中的 std::reduce:详细教程

根据比例生成图片 (4).png

文章目录

    • 1. 简介
    • 2. 函数签名
    • 3. 使用场景
      • 3.1 简单的累加操作
      • 3.2 自定义归并操作
      • 3.3 并行计算的性能优势
    • 4. 注意事项
      • 4.1 归并操作的结合律和交换律
      • 4.2 默认值的使用
    • 5. 总结

1. 简介

std::reduce 是 C++17 标准库中引入的一个算法,用于对范围内的元素进行归并操作。它类似于 std::accumulate,但在某些情况下提供了更灵活的处理方式,尤其是在并行计算方面。

2. 函数签名

std::reduce 的基本函数签名如下:

template<class InputIt>
typename std::iterator_traits<InputIt>::value_type
reduce(InputIt first, InputIt last);template<class InputIt, class T>
T reduce(InputIt first, InputIt last, T init);template<class InputIt, class T, class BinaryOperation>
T reduce(InputIt first, InputIt last, T init, BinaryOperation binary_op);template<class ExecutionPolicy, class ForwardIt>
typename std::iterator_traits<ForwardIt>::value_type
reduce(ExecutionPolicy&& policy, ForwardIt first, ForwardIt last);template<class ExecutionPolicy, class ForwardIt, class T>
T reduce(ExecutionPolicy&& policy, ForwardIt first, ForwardIt last, T init);template<class ExecutionPolicy, class ForwardIt, class T, class BinaryOperation>
T reduce(ExecutionPolicy&& policy, ForwardIt first, ForwardIt last, T init, BinaryOperation binary_op);
  • InputIt/ForwardIt:迭代器类型,表示要归并的范围。
  • T:归并操作的初始值类型。
  • BinaryOperation:用于归并的二元操作函数。
  • ExecutionPolicy:执行策略,可以是 std::execution::seq(顺序执行)、std::execution::par(并行执行)或 std::execution::unseq(无序执行)。

3. 使用场景

3.1 简单的累加操作

以下是一个简单的累加示例:

#include <iostream>
#include <vector>
#include <numeric>int main() {std::vector<int> nums = {1, 2, 3, 4, 5};int sum = std::reduce(nums.begin(), nums.end());std::cout << "Sum: " << sum << std::endl; // 输出 15return 0;
}

这里,std::reduce 默认使用加法操作。

3.2 自定义归并操作

可以通过传递自定义的二元操作函数来实现不同的归并逻辑。例如,计算数组中元素的最大值:

#include <iostream>
#include <vector>
#include <numeric>
#include <execution>int main() {std::vector<int> nums = {1, 2, 3, 4, 5};int maxElement = std::reduce(std::execution::par, nums.begin(), nums.end(), nums[0], [](int a, int b) {return std::max(a, b);});std::cout << "Maximum element: " << maxElement << std::endl; // 输出 5return 0;
}

这里,我们使用了 std::execution::par 来启用并行执行。

3.3 并行计算的性能优势

std::reduce 支持并行执行策略,这使得它在处理大规模数据时能够显著提高性能。例如,计算一个大数组的和:

#include <iostream>
#include <vector>
#include <numeric>
#include <execution>
#include <chrono>int main() {std::vector<int> nums(10000000, 1); // 一个包含 1000 万个元素的数组auto start = std::chrono::high_resolution_clock::now();int sum = std::reduce(std::execution::par, nums.begin(), nums.end());auto end = std::chrono::high_resolution_clock::now();auto duration = std::chrono::duration_cast<std::chrono::milliseconds>(end - start).count();std::cout << "Sum: " << sum << ", Time taken: " << duration << " ms" << std::endl;return 0;
}

通过使用 std::execution::par,std::reduce 可以利用多核处理器进行并行计算。

4. 注意事项

4.1 归并操作的结合律和交换律

std::reduce 的归并操作要求是结合律(Associative)和交换律(Commutative)的。如果归并操作不满足这些性质,结果可能是不确定的。例如,减法操作不满足结合律和交换律,因此在并行执行时可能会导致不同的结果:

std::vector<int> nums = {32, 16, 8, 4, 2, 1};
int result1 = std::reduce(nums.begin() + 1, nums.end(), nums[0], std::minus<>{});
int result2 = std::reduce(std::execution::par, nums.begin() + 1, nums.end(), nums[0], std::minus<>{});
std::cout << result1 << ", " << result2 << std::endl; // 输出可能不同

4.2 默认值的使用

std::reduce 的默认值是元素类型的默认构造值。如果默认值不是归并操作的单位元(Identity Element),可能会导致意外的结果。例如,对于整数类型,加法的单位元是 0,乘法的单位元是 1。

5. 总结

std::reduce 是一个强大且灵活的算法,适用于各种归并操作,尤其是需要并行处理的场景。它与 std::accumulate 类似,但在并行执行方面提供了更好的支持。通过合理使用 std::reduce,可以简化代码并提高性能。

希望这篇教程对你有所帮助!如果有任何问题,欢迎随时提问。

http://www.lryc.cn/news/537143.html

相关文章:

  • 解决 paddle ocr 遇到 CXXABI_1.3.13 not found 的问题
  • 探索 Text-to-SQL 技术:从自然语言到数据库查询的桥梁
  • mac搭建环境
  • 算法学习笔记之贪心算法
  • Docker 镜像标签使用
  • STM32之SG90舵机控制
  • VSCode Error Lens插件介绍(代码静态检查与提示工具)(vscode插件)
  • list_for_each_entry_safe 简介
  • 微软AutoGen高级功能——Memory
  • 【鸿蒙开发】第三十六章 状态管理 - V1V2混用和迁移指导
  • 轮子项目--消息队列的实现(3)
  • 一文深入了解DeepSeek-R1:模型架构
  • 秘密信息嵌入到RGB通道的方式:分段嵌or完整嵌入各通道
  • Ai人工智能的未来:趋势、挑战与机遇
  • 理解WebGPU 中的 GPUDevice :与 GPU 交互的核心接口
  • Java 设计模式之桥接模式
  • 机器学习(李宏毅)——GAN
  • QT无弹窗运行和只允许运行一个exe
  • C++ STL 容器
  • 开源赋能,智造未来:Odoo+工业物联网,解锁智能工厂新范式——以真实案例解读制造业数字化转型的降本增效密码
  • CTF-WEB: 利用iframe标签利用xss,waf过滤后再转换漏洞-- N1ctf Junior display
  • K8s组件
  • python面试题
  • AOS安装及操作演示
  • 蓝桥杯单片机组第十三届初赛试题-程序题(第2批)
  • 企业级高可用 Kubernetes 实践:基于青云 LB 搭建容灾与负载均衡集群全攻略
  • Python Pandas(11):Pandas 数据可视化
  • 【练习】图论
  • 【RAG落地利器】Weaviate、Milvus、Qdrant 和 Chroma 向量数据库对比
  • 今日AI和商界事件(2025-02-14)