C++ 并发编程(三):条件变量(Condition Variable)
ztj100 2025-01-21 23:12 58 浏览 0 评论
条件变量(Condition Variable)的一般用法是:线程 A 等待某个条件并挂起,直到线程 B 设置了这个条件,并通知条件变量,然后线程 A 被唤醒。经典的「生产者-消费者」问题就可以用条件变量来解决。
这里等待的线程可以是多个,通知线程可以选择一次通知一个(notify_one)或一次通知所有(notify_all)。
示例修改自:http://en.cppreference.com/w/cpp/thread/condition_variable
首先是头文件:
#include <iostream>
#include <string>
#include <thread>
#include <mutex>
#include <condition_variable>
然后是两个线程共享的全局变量:
std::mutex mutex;
std::condition_variable cv;
std::string data;
bool ready = false; // 条件
bool processed = false; // 条件
工作线程:
void Worker() {
std::unique_lock<std::mutex> lock(mutex);
// 等待主线程发送数据。
cv.wait(lock, [] { return ready; });
// 等待后,继续拥有锁。
std::cout << "工作线程正在处理数据..." << std::endl;
// 睡眠一秒以模拟数据处理。
std::this_thread::sleep_for(std::chrono::seconds(1));
data += " 已处理";
// 把数据发回主线程。
processed = true;
std::cout << "工作线程通知数据已经处理完毕。" << std::endl;
// 通知前,手动解锁以防正在等待的线程被唤醒后又立即被阻塞。
lock.unlock();
cv.notify_one();
}
主线程:
int main() {
std::thread worker(Worker);
// 把数据发送给工作线程。
{
std::lock_guard<std::mutex> lock(mutex);
std::cout << "主线程正在准备数据..." << std::endl;
// 睡眠一秒以模拟数据准备。
std::this_thread::sleep_for(std::chrono::seconds(1));
data = "样本数据";
ready = true;
std::cout << "主线程通知数据已经准备完毕。" << std::endl;
}
cv.notify_one();
// 等待工作线程处理数据。
{
std::unique_lock<std::mutex> lock(mutex);
cv.wait(lock, [] { return processed; });
}
std::cout << "回到主线程,数据 = " << data << std::endl;
worker.join();
return 0;
}
输出:
主线程正在准备数据...
主线程通知数据已经准备完毕。
工作线程正在处理数据...
工作线程通知数据已经处理完毕。
回到主线程,数据 = 样本数据 已处理
下面是一些说明。
与条件变量搭配使用的「锁」,必须是 unique_lock,不能用 lock_guard。这个前面文章中已有说明。
等待前先加锁。等待时,如果条件不满足,wait 会原子性地解锁并把线程挂起。
条件变量被通知后,挂起的线程就被唤醒,但是唤醒也有可能是假唤醒,或者是因为超时等异常情况,所以被唤醒的线程仍要检查条件是否满足,所以 wait 是放在条件循环里面。cv.wait(lock, [] { return ready; }); 相当于:while (!ready) { cv.wait(lock); }。
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)