CppCoreGuidelines中shared_ptr使用示例的改进与思考
2025-05-02 21:39:09作者:余洋婵Anita
在C++核心指南(CppCoreGuidelines)关于共享指针的使用规则中,原示例代码存在几个值得商榷的问题,这些问题涉及到线程安全、资源管理以及代码清晰度等多个方面。
原始示例的问题分析
最初的示例代码展示了使用shared_ptr在多线程环境下共享图像资源的场景:
shared_ptr<const Image> im { read_image(somewhere) };
std::thread t0 {shade, args0, top_left, im};
std::thread t1 {shade, args1, top_right, im};
std::thread t2 {shade, args2, bottom_left, im};
std::thread t3 {shade, args3, bottom_right, im};
// detach threads
// last thread to finish deletes the image
这段代码存在几个明显问题:
-
资源生命周期误解:注释声称"最后一个完成的线程删除图像",但实际上主线程仍持有
shared_ptr,这意味着主线程才是最终决定图像何时被删除的关键。 -
线程管理不明确:虽然注释提到"分离线程",但代码中并未实际执行分离操作,这可能导致程序异常终止。
-
变量命名不规范:使用缩写
im而非更具描述性的image,不符合现代C++代码风格指南。
改进方案探讨
针对这些问题,社区提出了几种改进方案:
方案一:明确作用域
{
std::shared_ptr<const Image> image { read_image(somewhere) };
std::thread t0 {shade, args0, top_left, image};
std::thread t1 {shade, args1, top_right, image};
std::thread t2 {shade, args2, bottom_left, image};
std::thread t3 {shade, args3, bottom_right, image};
// 显式分离线程
t0.detach();
t1.detach();
t2.detach();
t3.detach();
}
// 主线程不再持有共享所有权
// 最后一个完成的工作线程将删除图像
方案二:简化线程创建
{
std::shared_ptr<const Image> image { read_image(somewhere) };
std::thread{shade, args0, top_left, image}.detach();
std::thread{shade, args1, top_right, image}.detach();
std::thread{shade, args2, bottom_left, image}.detach();
std::thread{shade, args3, bottom_right, image}.detach();
}
// 主线程不再共享所有权
// 四个着色线程中最后一个完成的将删除图像
深入思考与最佳实践
这个案例揭示了在多线程环境下使用智能指针的几个重要原则:
-
明确所有权生命周期:使用
shared_ptr时,必须清楚每个持有者的生命周期。通过限制作用域可以明确释放所有权的时机。 -
线程管理必须显式:C++线程要么join要么detach,不能放任不管。未处理的线程对象析构会导致程序终止。
-
考虑替代方案:在某些情况下,使用
shared_ptr可能不是最佳选择。如果主线程需要等待工作线程完成,使用普通对象配合线程join可能是更好的选择。 -
代码自文档化:良好的变量命名和清晰的注释对于多线程代码尤为重要,能帮助其他开发者理解复杂的资源所有权关系。
总结
这个案例展示了即使是权威指南中的示例代码也可能存在改进空间。在实际开发中,我们应该:
- 仔细考虑资源所有权模型
- 明确线程管理策略
- 编写自解释的代码
- 不断审视和优化现有代码
通过这样的实践,我们才能写出既安全又易于维护的多线程C++代码。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0185
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
759
4.94 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
854
1.91 K
deepin linux kernel
C
32
16
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
674
1.32 K
Ascend Extension for PyTorch
Python
716
866
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.78 K
185
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
454
436
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
991
598
暂无简介
Dart
1 K
259