Basit bir Python döngüsünü nasıl paralelleştirebilirim?

Bu muhtemelen önemsiz bir soru, ancak aşağıdaki döngüyü python'da nasıl paralelleştirebilirim?

# setup output lists
output1 = list()
output2 = list()
output3 = list()

for j in range(0, 10):
    # calc individual parameter value
    parameter = j * offset
    # call the calculation
    out1, out2, out3 = calc_stuff(parameter = parameter)

    # put results into correct output list
    output1.append(out1)
    output2.append(out2)
    output3.append(out3)

Python tek konuları başlatmak nasıl biliyorum ama nasıl sonuçları "toplamak" bilmiyorum.

Birden çok işlem de iyi olur - bu durumda en kolayı ne olursa olsun. Şu anda Linux kullanıyorum ama kod Windows ve Mac üzerinde de çalışmalıdır.

Bu kodu paralelleştirmenin en kolay yolu nedir?

CPython'da birden çok iş parçacığı kullanmak, genel yorumlayıcı kilidi (GIL) nedeniyle saf Python kodu için daha iyi performans sağlamaz. Bunun multiprocessingyerine modülü kullanmanızı öneririm :

pool = multiprocessing.Pool(4)
out1, out2, out3 = zip(*pool.map(calc_stuff, range(0, 10 * offset, offset)))

Bunun etkileşimli yorumlayıcıda çalışmadığını unutmayın.

GIL etrafında normal FUD'den kaçınmak için: Yine de bu örnek için iplik kullanmanın herhangi bir avantajı olmazdı. Sen istemek onlar sorunların bir sürü önlemek için, burada dizileri değil yöntemlerinin kullanılması.

Basit bir döngüyü paralel hale getirmek için, joblib çok işlemciliğin ham kullanımına çok değer katıyor . Daha kısa bir sözdizimi değil, aynı zamanda çok daha hızlı olduklarında (ek yükü kaldırmak için) yinelemelerin şeffaf bir şekilde demetlenmesi veya alt işlemin izinin yakalanması, daha iyi hata raporlaması için gibi şeyler.

Feragatname: Ben joblib'in asıl yazarıyım.

Bu kodu paralelleştirmenin en kolay yolu nedir?

Bunu gerçekten seviyorum concurrent.futures, sürüm 3.2'den beri Python3'te mevcut - ve PyPi'de 2.6 ve 2.7'ye backport üzerinden .

İş parçacıklarını veya işlemleri kullanabilir ve aynı arabirimi kullanabilirsiniz.

Çoklu İşlem

Bunu bir dosyaya koyun - futuretest.py:

import concurrent.futures
import time, random               # add some random sleep time

offset = 2                        # you don't supply these so
def calc_stuff(parameter=None):   # these are examples.
    sleep_time = random.choice([0, 1, 2, 3, 4, 5])
    time.sleep(sleep_time)
    return parameter / 2, sleep_time, parameter * parameter

def procedure(j):                 # just factoring out the
    parameter = j * offset        # procedure
    # call the calculation
    return calc_stuff(parameter=parameter)

def main():
    output1 = list()
    output2 = list()
    output3 = list()
    start = time.time()           # let's see how long this takes

    # we can swap out ProcessPoolExecutor for ThreadPoolExecutor
    with concurrent.futures.ProcessPoolExecutor() as executor:
        for out1, out2, out3 in executor.map(procedure, range(0, 10)):
            # put results into correct output list
            output1.append(out1)
            output2.append(out2)
            output3.append(out3)
    finish = time.time()
    # these kinds of format strings are only available on Python 3.6:
    # time to upgrade!
    print(f'original inputs: {repr(output1)}')
    print(f'total time to execute {sum(output2)} = sum({repr(output2)})')
    print(f'time saved by parallelizing: {sum(output2) - (finish-start)}')
    print(f'returned in order given: {repr(output3)}')

if __name__ == '__main__':
    main()

Ve işte çıktı:

$ python3 -m futuretest
original inputs: [0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]
total time to execute 33 = sum([0, 3, 3, 4, 3, 5, 1, 5, 5, 4])
time saved by parallellizing: 27.68999981880188
returned in order given: [0, 4, 16, 36, 64, 100, 144, 196, 256, 324]

Çok iş parçacığı

Şimdi değiştirmek ProcessPoolExecutoriçin ThreadPoolExecutorve tekrar modülü çalıştırın:

$ python3 -m futuretest
original inputs: [0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]
total time to execute 19 = sum([0, 2, 3, 5, 2, 0, 0, 3, 3, 1])
time saved by parallellizing: 13.992000102996826
returned in order given: [0, 4, 16, 36, 64, 100, 144, 196, 256, 324]

Şimdi hem çoklu iş parçacığı hem de çok işlemciliği yaptınız!

Performans ve her ikisini birlikte kullanma hakkında not.

Örnekleme sonuçları karşılaştırmak için çok küçük.

Ancak, Windows'un çatal işlemeyi desteklemediğinden, her yeni işlemin başlatılması zaman alması gerektiğinden, çoklu iş parçacığının genel olarak çoklu işlemden daha hızlı olacağından şüpheleniyorum. Linux veya Mac'te muhtemelen daha yakın olacaklar.

Birden çok işlemi birden çok işlemin içine yerleştirebilirsiniz, ancak birden çok işlemi kapatmak için birden çok iş parçacığı kullanmamanız önerilir.

from joblib import Parallel, delayed
import multiprocessing

inputs = range(10) 
def processInput(i):
    return i * i

num_cores = multiprocessing.cpu_count()

results = Parallel(n_jobs=num_cores)(delayed(processInput)(i) for i in inputs)
print(results)

Yukarıdaki benim makinemde güzel çalışıyor (Ubuntu, paket joblib önceden kurulmuş, ancak üzerinden kurulabilir pip install joblib).

Alındığı https://blog.dominodatalab.com/simple-parallelization/

Ray kullanmanın birçok avantajı vardır :

• Birden fazla çekirdeğe ek olarak birden fazla makineye paralel olarak paralel yapabilirsiniz (aynı kodla).
• Paylaşılan bellek (ve sıfır kopya serileştirme) yoluyla sayısal verilerin verimli kullanımı.
• Dağıtılmış zamanlama ile yüksek iş hacmi.
• Hata toleransı.

Sizin durumunuzda Ray'i başlatabilir ve bir uzak fonksiyon tanımlayabilirsiniz

import ray

ray.init()

@ray.remote(num_return_vals=3)
def calc_stuff(parameter=None):
    # Do something.
    return 1, 2, 3

ve paralel olarak çağır

output1, output2, output3 = [], [], []

# Launch the tasks.
for j in range(10):
    id1, id2, id3 = calc_stuff.remote(parameter=j)
    output1.append(id1)
    output2.append(id2)
    output3.append(id3)

# Block until the results have finished and get the results.
output1 = ray.get(output1)
output2 = ray.get(output2)
output3 = ray.get(output3)

Aynı örneği bir kümede çalıştırmak için, değişecek tek satır ray.init () çağrısı olacaktır. İlgili belgeleri burada bulabilirsiniz .

Ray'i geliştirmeye yardım ettiğimi unutmayın.

Bunu yapmanın en kolay yolu budur!

Asyncio'yu kullanabilirsiniz . (Belgeleri burada bulabilirsiniz ). Yüksek performanslı ağ ve web sunucuları, veritabanı bağlantı kitaplıkları, dağıtılmış görev kuyrukları, vb. Sağlayan birden fazla Python asenkron çerçevesinin temeli olarak kullanılır. .

import asyncio

def background(f):
    def wrapped(*args, **kwargs):
        return asyncio.get_event_loop().run_in_executor(None, f, *args, **kwargs)

    return wrapped

@background
def your_function(argument):
    #code

Şimdi bu fonksiyon çağrıldığında ana programı bekleme durumuna getirmeden paralel olarak çalışacaktır. Döngü için de paralelleştirmek için kullanabilirsiniz. For döngüsü çağrıldığında, döngü sıralı olsa da, yorumlayıcı oraya ulaşır ulaşmaz her yineleme ana programa paralel olarak çalışır. Örneğin:

@background
def your_function(argument):
    time.sleep(5)
    print('function finished for '+str(argument))


for i in range(10):
    your_function(i)


print('loop finished')

Bu aşağıdaki çıktıyı üretir:

loop finished
function finished for 4
function finished for 8
function finished for 0
function finished for 3
function finished for 6
function finished for 2
function finished for 5
function finished for 7
function finished for 9
function finished for 1

Neden global bir listeyi korumak için evreler ve bir muteks kullanmıyorsunuz?

import os
import re
import time
import sys
import thread

from threading import Thread

class thread_it(Thread):
    def __init__ (self,param):
        Thread.__init__(self)
        self.param = param
    def run(self):
        mutex.acquire()
        output.append(calc_stuff(self.param))
        mutex.release()   


threads = []
output = []
mutex = thread.allocate_lock()

for j in range(0, 10):
    current = thread_it(j * offset)
    threads.append(current)
    current.start()

for t in threads:
    t.join()

#here you have output list filled with data

unutmayın, en yavaş ipliğiniz kadar hızlı olacaksınız

Benimle joblibçok faydalı buldum . Lütfen aşağıdaki örneğe bakın:

from joblib import Parallel, delayed
def yourfunction(k):   
    s=3.14*k*k
    print "Area of a circle with a radius ", k, " is:", s

element_run = Parallel(n_jobs=-1)(delayed(yourfunction)(k) for k in range(1,10))

n_jobs = -1: mevcut tüm çekirdekleri kullanın

Diyelim ki bir asenkron fonksiyonumuz var

async def work_async(self, student_name: str, code: str, loop):
"""
Some async function
"""
    # Do some async procesing    

Bunun büyük bir dizide çalıştırılması gerekiyor. Bazı öznitelikler programa aktarılırken, bazıları dizideki sözlük öğesinin özelliğinden kullanılır.

async def process_students(self, student_name: str, loop):
    market = sys.argv[2]
    subjects = [...] #Some large array
    batchsize = 5
    for i in range(0, len(subjects), batchsize):
        batch = subjects[i:i+batchsize]
        await asyncio.gather(*(self.work_async(student_name,
                                           sub['Code'],
                                           loop)
                       for sub in batch))

Şuna bir bakın;

http://docs.python.org/library/queue.html

Bunu yapmanın doğru yolu olmayabilir, ama şöyle bir şey yaparım;

Gerçek kod;

from multiprocessing import Process, JoinableQueue as Queue 

class CustomWorker(Process):
    def __init__(self,workQueue, out1,out2,out3):
        Process.__init__(self)
        self.input=workQueue
        self.out1=out1
        self.out2=out2
        self.out3=out3
    def run(self):
            while True:
                try:
                    value = self.input.get()
                    #value modifier
                    temp1,temp2,temp3 = self.calc_stuff(value)
                    self.out1.put(temp1)
                    self.out2.put(temp2)
                    self.out3.put(temp3)
                    self.input.task_done()
                except Queue.Empty:
                    return
                   #Catch things better here
    def calc_stuff(self,param):
        out1 = param * 2
        out2 = param * 4
        out3 = param * 8
        return out1,out2,out3
def Main():
    inputQueue = Queue()
    for i in range(10):
        inputQueue.put(i)
    out1 = Queue()
    out2 = Queue()
    out3 = Queue()
    processes = []
    for x in range(2):
          p = CustomWorker(inputQueue,out1,out2,out3)
          p.daemon = True
          p.start()
          processes.append(p)
    inputQueue.join()
    while(not out1.empty()):
        print out1.get()
        print out2.get()
        print out3.get()
if __name__ == '__main__':
    Main()

Umarım yardımcı olur.

Bu, Python'da çok işlemli ve paralel / dağıtılmış bilgi işlem yaparken faydalı olabilir.

Techila paketini kullanma hakkında YouTube eğitimi

Techila, techila paketini kullanarak doğrudan Python ile entegre olan dağıtılmış bir bilgi işlem aracıdır. Paketteki şeftali işlevi, döngü yapılarını paralel hale getirmede yararlı olabilir. (Aşağıdaki kod snippet'i Techila Topluluk Forumlarından alınmıştır )

techila.peach(funcname = 'theheavyalgorithm', # Function that will be called on the compute nodes/ Workers
    files = 'theheavyalgorithm.py', # Python-file that will be sourced on Workers
    jobs = jobcount # Number of Jobs in the Project
    )

teşekkürler @iuryxavier

from multiprocessing import Pool
from multiprocessing import cpu_count


def add_1(x):
    return x + 1

if __name__ == "__main__":
    pool = Pool(cpu_count())
    results = pool.map(add_1, range(10**12))
    pool.close()  # 'TERM'
    pool.join()   # 'KILL'

paralel işlemenin çok basit bir örneği

from multiprocessing import Process

output1 = list()
output2 = list()
output3 = list()

def yourfunction():
    for j in range(0, 10):
        # calc individual parameter value
        parameter = j * offset
        # call the calculation
        out1, out2, out3 = calc_stuff(parameter=parameter)

        # put results into correct output list
        output1.append(out1)
        output2.append(out2)
        output3.append(out3)

if __name__ == '__main__':
    p = Process(target=pa.yourfunction, args=('bob',))
    p.start()
    p.join()