調整多核心數目，編譯MacPorts上的軟體

預設MacPorts在編譯軟體的時候，會使用所有的核心，設定放在/opt/local/etc/macports/macports.conf，設定則是：

• buildmakejobs    0 

這時候可以調整數目，像只想要用8個核心編譯則可以把設定改成下面：

指令裡面的dash - 代表標準輸入

在指令裡面，dash (-, 通常是按鍵0右邊那個)代表的是標準輸入(standard input)：

1. cat ERR194147.fastq.gz | pv | time seqtk fqchk -q 30 - 
2. zcat ERR194147.fastq.gz | pv | time seqtk fqchk -q 30 -
3. unpigz -p 4 -c ERR194147.fastq.gz | pv | time seqtk fqchk -q 30 -

鏡像站搭配多核心來加速R套件的編譯

R語言的套件安裝的時候，通常會需要編譯。這時候除了選擇GCC以外，還可以設定使用多核心來加速編譯的過程。只要在 ~/.R/Makevars 這個檔案裡面加入：

• MAKEFLAGS = -j8

就可以使用8個執行緒來編譯，這個數字可以調整。
另一種解法則是在 ~/.Rprofile 裡面加入：

• options(Ncpus = 8)

比較MPI與OpenMP的差異

會有MPI與OpenMP的差異起因於：

• 以前的主機只有單CPU，為了要讓程式可以透過網路在不同的主機上面平行處理，因此發展出了 MPI
• 後來CPU從單核心變成的多核心，為了讓程式可以在單機多核心上面平行處理，因此發展出了 OpenMP
• 現代的機器已經是多CPU多核心，所以出現了 Hybrid OpenMP+MPI，先透過MPI將大工作分成小工作平行給不同的CPU，再透過OpenMP將這些小工作分成執行緒平分給不同的核心去執行

不管是上述的哪一種，都是讓平行化程式的解法

GROMACS mdrun平行處理與GPU加速

GROMACS執行分子模擬的程式叫做mdrun，要加速模擬速度除了平行處理（parallelization）還可以用GPU加速，官方的參考資料如下：

• Getting good performance from mdrun：
      給5.x版本之後與2016、2018版本用的說明文件
• Useful mdrun features：也是GROMACS-5.x版本之後，mdrun的一些例子
• Acceleration and parallelization：版本4.6之後，但不到5.x的加速方式

find加xargs來處理檔案

用find找到檔案後，再用xargs來處理檔案：

1. find . -type f | xargs -n1 md5
2. find . -type f | xargs -n1 -t md5
3. find . -type f | xargs -n1 -p md5

上面三個指令都一樣，計算所在資料夾下面檔案的MD5雜湊值。差別就是-t可以看到執行前的指令，-p是執行每個指令前都會問要不要做。

讓sort用多核心跑

GNU sort（就是在Linux裡面預設的，作者是Mike Haertel與Paul Eggert），裡面有個平行化的選項，如果不選的話預設就會開多核心。這邊測試《PDB中最常出現的氨基酸片段》裡面排序進一億筆5-mer，得到的速度與用單核心來比較

tee將STDOUT同時送給多個指令處理

同一個檔案的內容，同時有多個不同程式要來處理，可以直接用tee這個指令搭配process substitution來做：

• cat file.txt | tee >(command1) >(command2) >(command3) | wc -l

用tar打包很多個檔案的技巧

用tar打包某些檔案通常只要輸入

• tar cf x.tar *

但若是檔案很多的時候，會出現arguments too long之類的錯誤訊息。最簡單的解法是打包這些檔案所在的資料夾。不過也可以用下面這個方式來處理：

1. find . -name "*" > ../folder.list
2. tar -I ../folder.list -cf > ../folder.tar
3. tar -I ../folder.list -cf - | pigz -p 4 > ../folder.tgz

讓Ｒ語言的迴圈跑平行處理

Ｒ語言中，可以用foreach搭配doMC這兩個套件來完成迴圈的平行化，程式碼如下：

rm(list = ls())
install.packages("foreach")
install.packages("doMC")
library(foreach)
library(doMC)
registerDoMC(4)     # Number of CPU cores used in parallel computing

### for loop, using single CPU core ###
df <- data.frame()
for(i in 1:10) {
    Sys.sleep(1)
    df <- rbind(df, data.frame("value"=i, "quadratic"=i*i, "cubic"=i*i*i))
}

### foreach loop, using single CPU core ###
dfs <- foreach(i=1:10, .combine=rbind) %do% {
    Sys.sleep(1)
    data.frame("value"=i, "quadratic"=i*i, "cubic"=i*i*i)
}
identical(df, dfs)

### foreach loop, using multiple CPU cores ###
dfp <- foreach(i=1:10, .combine=rbind) %dopar% {
    Sys.sleep(1)
    data.frame("value"=i, "quadratic"=i*i, "cubic"=i*i*i)
}
identical(df, dfp)