CppCoreGuidelines中shared_ptr使用示例的改进与思考
2025-05-02 06:31:53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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137