例如,让我们使用numpy.sin()
以下代码将为数组的每个值返回正弦值a
:
import numpy
a = numpy.arange( 1000000 )
result = numpy.sin( a )
但是我的机器有32个核,所以我想利用它们。(对于numpy.sin()
之类的东西,开销可能不值得,但我实际想要使用的函数要复杂得多,而且我将处理大量数据。)
这是最好的(读:最聪明还是最快)方法:
from multiprocessing import Pool
if __name__ == '__main__':
pool = Pool()
result = pool.map( numpy.sin, a )
还是有更好的办法?
这里有一个更好的方法:numexpr
从他们的主页上稍作修改:
这是一个用C编写的多线程VM,它可以分析表达式,更有效地重写它们,并将它们快速编译成代码,从而使内存和cpu受限操作的并行性能接近最佳。
例如,在我的4核机器中,计算正弦比numpy快4倍。
文档,包括支持的函数here。你必须检查或者给我们更多的信息,看看你更复杂的函数是否能被numexpr计算。
如果您运行以下命令,这是一个有趣的注意事项:
没想到,所以发生了什么,嗯:
是的,numpy.sin是用c实现的,因此不能直接用它进行多处理。
所以我们必须用另一个函数来包装它
性能:
哇,也没想到,对于初学者来说,我们使用python函数有几个问题,即使它只是一个包装器,而不是一个纯c函数,还有复制值的开销,默认情况下多处理不共享数据,因此每个值都需要来回复制。
请注意,如果正确分割我们的数据:
因此,我们能从中得到什么,多处理是伟大的,但我们应该总是测试和比较它有时更快,有时更慢,这取决于它如何使用。。。
假设您没有使用
numpy.sin
,但是我建议您首先验证另一个函数,即多处理确实会加快计算速度,可能来回复制值的开销会影响您。不管怎样,我也相信使用
pool.map
是多线程代码中最好、最安全的方法。。。我希望这能有帮助。
实际上,SciPy在这个主题上写得很好:http://wiki.scipy.org/ParallelProgramming
编辑:死链接,现在可以在: http://scipy-cookbook.readthedocs.io/items/ParallelProgramming.html
相关问题 更多 >
编程相关推荐