簡單學(xué)習(xí)Python多進(jìn)程Multiprocessing

2019-11-25 15:53:47

字體：大中小

來源：轉(zhuǎn)載

供稿：網(wǎng)友

1.1 什么是 Multiprocessing

多線程在同一時(shí)間只能處理一個任務(wù)。

可把任務(wù)平均分配給每個核，而每個核具有自己的運(yùn)算空間。

1.2 添加進(jìn)程 Process

與線程類似，如下所示，但是該程序直接運(yùn)行無結(jié)果，因?yàn)镮DLE不支持多進(jìn)程，在命令行終端運(yùn)行才有結(jié)果顯示

import multiprocessing as mpdef job(a,b): print('abc')if __name__=='__main__': p1=mp.Process(target=job,args=(1,2)) p1.start() p1.join()

1.3 存儲進(jìn)程輸出 Queue

不知道為什么下面的這個程序可以在IDLE中正常運(yùn)行。首先定義了一個job函數(shù)作系列數(shù)學(xué)運(yùn)算，然后將結(jié)果放到res中，在main函數(shù)運(yùn)行，取出queue中存儲的結(jié)果再進(jìn)行一次加法運(yùn)算。

import multiprocessing as mpdef job(q): res=0 for i in range(1000): res+=i+i**2+i**3 q.put(res) if __name__ == '__main__': q=mp.Queue() p1 = mp.Process(target=job,args=(q,))#注意當(dāng)參數(shù)只有一個時(shí)，應(yīng)加上逗號 p2 = mp.Process(target=job,args=(q,))  p1.start() p2.start()  p1.join() p2.join() res1=q.get() res2=q.get() print(res1+res2)

結(jié)果如下所示：

1.4 效率比對 threading & multiprocessing

在job函數(shù)中定義了數(shù)學(xué)運(yùn)算，比較正常情況、多線程和多進(jìn)程分別的運(yùn)行時(shí)間。

import multiprocessing as mpimport threading as tdimport timedef job(q): res = 0 for i in range(10000000): res += i+i**2+i**3 q.put(res) # queuedef multicore(): q = mp.Queue() p1 = mp.Process(target=job, args=(q,)) p2 = mp.Process(target=job, args=(q,)) p1.start() p2.start() p1.join() p2.join() res1 = q.get() res2 = q.get() print('multicore:' , res1+res2)def normal(): res = 0 for _ in range(2):#線程或進(jìn)程都構(gòu)造了兩個，進(jìn)行了兩次運(yùn)算，所以這里循環(huán)兩次 for i in range(10000000):  res += i+i**2+i**3 print('normal:', res)def multithread(): q = mp.Queue() t1 = td.Thread(target=job, args=(q,)) t2 = td.Thread(target=job, args=(q,)) t1.start() t2.start() t1.join() t2.join() res1 = q.get() res2 = q.get() print('multithread:', res1+res2)if __name__ == '__main__': st = time.time() normal() st1= time.time() print('normal time:', st1 - st) multithread() st2 = time.time() print('multithread time:', st2 - st1) multicore() print('multicore time:', time.time()-st2)

在視頻中的運(yùn)行結(jié)果是多進(jìn)程<正常<多線程，而我的運(yùn)行結(jié)果為下圖所示：

綜上，多核/多進(jìn)程運(yùn)行最快，說明在同時(shí)間運(yùn)行了多個任務(wù)，而多線程卻不一定會比正常情況下的運(yùn)行來的快，這和多線程中的GIL有關(guān)。

1.5 進(jìn)程池

進(jìn)程池Pool，就是我們將所要運(yùn)行的東西，放到池子里，Python會自行解決多進(jìn)程的問題。

import multiprocessing as mpdef job(x): return x*xdef multicore(): pool=mp.Pool(processes=2)#定義一個Pool，并定義CPU核數(shù)量為2 res=pool.map(job,range(10)) print(res) res=pool.apply_async(job,(2,)) print(res.get()) multi_res=[pool.apply_async(job,(i,)) for i in range(10)] print([res.get()for res in multi_res])if __name__=='__main__': multicore()

運(yùn)行結(jié)果如下所示：

首先定義一個池子，有了池子之后，就可以讓池子對應(yīng)某一個函數(shù)，在上述代碼中定義的pool對應(yīng)job函數(shù)。我們向池子里丟數(shù)據(jù)，池子就會返回函數(shù)返回的值。 Pool和之前的Process的不同點(diǎn)是丟向Pool的函數(shù)有返回值，而Process的沒有返回值。

接下來用map()獲取結(jié)果，在map()中需要放入函數(shù)和需要迭代運(yùn)算的值，然后它會自動分配給CPU核，返回結(jié)果

我們怎么知道Pool是否真的調(diào)用了多個核呢？我們可以把迭代次數(shù)增大些，然后打開CPU負(fù)載看下CPU運(yùn)行情況

打開CPU負(fù)載(Mac)：活動監(jiān)視器 > CPU > CPU負(fù)載(單擊一下即可)

Pool默認(rèn)大小是CPU的核數(shù)，我們也可以通過在Pool中傳入processes參數(shù)即可自定義需要的核數(shù)量。

Pool除了可以用map來返回結(jié)果之外，還可以用apply_async()，與map不同的是，只能傳遞一個值，只會放入一個核進(jìn)行計(jì)算，但是傳入值時(shí)要注意是可迭代的，所以在傳入值后需要加逗號, 同時(shí)需要用get()方法獲取返回值。所對應(yīng)的代碼為：

res=pool.apply_async(job,(2,))print(res.get())

運(yùn)行結(jié)果為4。

由于傳入值是可以迭代的，則我們同樣可以使用apply_async()來輸出多個結(jié)果。如果在apply_async()中輸入多個傳入值：

res = pool.apply_async(job, (2,3,4,))

結(jié)果會報(bào)錯：

TypeError: job() takes exactly 1 argument (3 given)

即apply_async()只能輸入一組參數(shù)。

在此我們將apply_async()放入迭代器中，定義一個新的multi_res

multi_res = [pool.apply_async(job, (i,)) for i in range(10)]

同樣在取出值時(shí)需要一個一個取出來

print([res.get() for res in multi_res])

apply用迭代器的運(yùn)行結(jié)果與map取出的結(jié)果相同。

note：

（1）Pool默認(rèn)調(diào)用是CPU的核數(shù)，傳入processes參數(shù)可自定義CPU核數(shù)

（2）map() 放入迭代參數(shù)，返回多個結(jié)果

（3）apply_async()只能放入一組參數(shù)，并返回一個結(jié)果，如果想得到map()的效果需要通過迭代

1.6 共享內(nèi)存 shared memory

只有通過共享內(nèi)存才能讓CPU之間進(jìn)行交流。

通過Value將數(shù)據(jù)存儲在一個共享的內(nèi)存表中。

import multiprocessing as mpvalue1 = mp.Value('i', 0) value2 = mp.Value('d', 3.14)

其中，i和d表示數(shù)據(jù)類型。i為帶符號的整型，d為雙精浮點(diǎn)類型。更多數(shù)據(jù)類型可參考網(wǎng)址：https://docs.python.org/3/library/array.html

在多進(jìn)程中有一個Array類，可以和共享內(nèi)存交互，來實(shí)現(xiàn)進(jìn)程之間共享數(shù)據(jù)。

和numpy中的不同，這里的Array只能是一維的，并且需要定義數(shù)據(jù)類型否則會報(bào)錯。

array = mp.Array('i', [1, 2, 3, 4])

1.7 進(jìn)程鎖 Lock

首先是不加進(jìn)程鎖的運(yùn)行情況，在下述代碼中定義了共享變量v，定義了兩個進(jìn)程，均可對v進(jìn)行操作。job函數(shù)的作用是每隔0.1s輸出一次累加num的值，累加值num在兩個進(jìn)程中分別為1和3。

import multiprocessing as mpimport timedef job(v,num): for _ in range(10): time.sleep(0.1)#暫停0.1s，讓輸出效果更明顯 v.value+=num #v.value獲取共享變量值 print(v.value) def multicore(): v=mp.Value('i',0)#定義共享變量 p1=mp.Process(target=job,args=(v,1)) p2=mp.Process(target=job,args=(v,3)) p1.start() p2.start() p1.join() p2.join()if __name__=='__main__': multicore()

運(yùn)行結(jié)果如下所示：

可以看到兩個進(jìn)程互相搶占共享內(nèi)存v。

為了解決上述不同進(jìn)程搶共享資源的問題，我們可以用加進(jìn)程鎖來解決。

首先需要定義一個進(jìn)程鎖：

 l = mp.Lock() # 定義一個進(jìn)程鎖

然后將進(jìn)程鎖的信息傳入各個進(jìn)程中

 p1 = mp.Process(target=job, args=(v,1,l)) # 需要將Lock傳入 p2 = mp.Process(target=job, args=(v,3,l))

在job()中設(shè)置進(jìn)程鎖的使用，保證運(yùn)行時(shí)一個進(jìn)程的對鎖內(nèi)內(nèi)容的獨(dú)占

def job(v, num, l): l.acquire() # 鎖住 for _ in range(5): time.sleep(0.1)  v.value += num # v.value獲取共享內(nèi)存 print(v.value) l.release() # 釋放

完整代碼：

def job(v, num, l): l.acquire() # 鎖住 for _ in range(5): time.sleep(0.1)  v.value += num # 獲取共享內(nèi)存 print(v.value) l.release() # 釋放def multicore(): l = mp.Lock() # 定義一個進(jìn)程鎖 v = mp.Value('i', 0) # 定義共享內(nèi)存 p1 = mp.Process(target=job, args=(v,1,l)) # 需要將lock傳入 p2 = mp.Process(target=job, args=(v,3,l))  p1.start() p2.start() p1.join() p2.join()if __name__ == '__main__': multicore()

運(yùn)行結(jié)果如下所示：