结合并行与向量化
在 SIMD 之上叠加线程
结合并行与向量化 是 CoddyKit 上的免费 Mojo Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Mojo Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Mojo Academy 课程共包含 4 节课。
两种速度来源
SIMD 将多个值打包到一个核心的指令中。线程则将工作分散到多个核心。两者结合可以获得最大收益。⚡
外层：线程
在外层使用 parallelize，让每个核心负责一块数据。这是在核心之间进行的粗粒度划分。
parallelize[do_chunk](workers)内层：向量
在每个块内部使用 vectorize，让一个核心通过 SIMD 打包数据处理自己的切片。这是每个核心内部的细粒度划分。
from algorithm import vectorize导入两个辅助工具
这两个工具都位于 algorithm 模块中，因此您可以将它们一起导入，并在一个函数中组合使用。
from algorithm import parallelize, vectorize块工作线程
每个块工作线程会计算自己的起点和终点，然后将自己的切片交给 vectorize，执行 SIMD扫描。
fn do_chunk(c: Int):
var start = c * chunk向量化内层范围
在工作线程中，只针对当前块的长度调用 vectorize。SIMD 宽度决定一次运行多少条通道。
vectorize[step, width](end - start)偏移到数据位置
内层步骤会得到一个局部索引，因此将块起点加上它，即可定位到完整数组中的正确位置。
fn step[w: Int](i: Int):
out.store[width=w](start + i, ...)选择 SIMD 宽度
使用 simdwidthof 将向量宽度匹配到硬件通道，使每个核心都能充分利用寄存器。
alias width = simdwidthof[DType.float32]()核心数量乘以通道数
收益会相乘：多个核心中的每个核心都在每一步处理多个通道。这种乘积正是组合代码如此快速的原因。
保持块彼此独立
这种组合之所以有效，是因为各个块从不访问彼此的数据。保持独立性可以让这两个层次安全运行。
测量组合收益
请对标量版本、仅向量化版本和组合版本进行基准测试。通过数据可以看出每个层次贡献了多少。
快速检查
您要在同一个工作负载上结合使用线程和 SIMD。
总结
您在块上使用 parallelize，并在每个块内部调用 vectorize，再根据块起点计算偏移，从而让核心数量乘以通道数，提升整体吞吐量。🚀
用 AI 导师学习 Mojo — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「结合并行与向量化」课时是免费的吗？
是的 — 「结合并行与向量化」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Mojo Academy 课程的其余内容，请升级到 CoddyKit PRO。 Mojo Academy 课程共包含 4 节课。
「结合并行与向量化」这节课中我会学到什么？
在 SIMD 之上叠加线程 你通过在浏览器中直接运行的动手代码来练习 Mojo Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Mojo Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Mojo Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「结合并行与向量化」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Mojo Academy 课中编写并运行代码吗？
能。每节 Mojo Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- parallelize 函数
- 将工作拆分为数据块
- 结合并行与向量化
- 避免数据竞争