Як паралелізувати просту петлю Python?

Це, мабуть, тривіальне питання, але як я паралелізую наступний цикл у python?

# 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)

Я знаю, як запустити окремі потоки в Python, але я не знаю, як "зібрати" результати.

Кілька процесів теж було б добре - все, що найпростіше для цього випадку. Зараз я використовую Linux, але код також повинен працювати в Windows та Mac.

Який найпростіший спосіб паралелізувати цей код?

Використання декількох потоків на CPython не дасть кращої продуктивності для чистого Python-коду завдяки глобальному блокуванню інтерпретатора (GIL). Я пропоную multiprocessingзамість цього використовувати модуль:

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

Зауважте, що це не працюватиме в інтерактивному перекладачі.

Щоб уникнути звичайного FUD навколо GIL: Використовувати потоки для цього прикладу не було б жодної переваги. Ви хочете використовувати тут процеси, а не потоки, тому що вони уникають цілого ряду проблем.

Щоб паралелізувати просту для циклу, joblib приносить велику цінність сировинному використанню багатопроцесорної обробки. Не тільки короткий синтаксис, але й такі речі, як прозора купка ітерацій, коли вони дуже швидкі (щоб зняти накладні витрати) або фіксують простеження дочірнього процесу, щоб мати кращі повідомлення про помилки.

Відмова: Я є оригінальним автором joblib.

Який найпростіший спосіб паралелізувати цей код?

Мені це дуже подобається concurrent.futures, доступний у Python3 з версії 3.2 - і через backport до 2.6 та 2.7 на PyPi .

Ви можете використовувати потоки чи процеси та використовувати той самий інтерфейс.

Багатопроцесорна

Помістіть це у файл - 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()

І ось результат:

$ 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]

Багатопотоковість

Тепер перейдіть ProcessPoolExecutorна ThreadPoolExecutorмодуль та запустіть його ще раз:

$ 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]

Тепер ви зробили як багатопотокове, так і багатопроцесорне!

Примітка щодо продуктивності та використання обох разом.

Відбір проб є занадто малим для порівняння результатів.

Однак я підозрюю, що багатопотокове читання буде швидше, ніж багатопроцесове взагалі, особливо в Windows, оскільки Windows не підтримує розгортання, тому кожен новий процес повинен зайняти час для запуску. На Linux або Mac вони, мабуть, будуть ближче.

Ви можете вкласти декілька потоків у декілька процесів, але рекомендується не використовувати декілька потоків для відкручування декількох процесів.

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)

Вищезазначене прекрасно працює на моїй машині (Ubuntu, пакет joblib був попередньо встановлений, але його можна встановити через pip install joblib).

Взяте з https://blog.dominodatalab.com/simple-parallelization/

Є ряд переваг використання Ray :

• Ви можете проводити паралель на декількох машинах на додаток до декількох ядер (з тим самим кодом).
• Ефективна обробка числових даних за допомогою спільної пам'яті (і серіалізація з нульовою копією).
• Висока пропускна здатність із розподіленим плануванням.
• Відмовостійкість.

У вашому випадку ви можете запустити Ray і визначити віддалену функцію

import ray

ray.init()

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

а потім викликати його паралельно

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)

Щоб запустити той самий приклад на кластері, єдиний рядок, який змінився би, був викликом ray.init (). Відповідну документацію можна знайти тут .

Зауважте, що я допомагаю розвивати Рея.

Це найпростіший спосіб зробити це!

Можна використовувати асинціо . (Документацію можна знайти тут ). Він використовується як основа для безлічі асинхронних фреймворків Python, які забезпечують високопродуктивні мережеві та веб-сервери, бібліотеки підключення до бази даних, розподілені черги завдань тощо. Плюс до того ж, він має як API високого, так і низького рівня для вирішення будь-яких проблем .

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

Тепер ця функція буде виконуватися паралельно щоразу, коли викликається, не переводячи основну програму в стан очікування. Ви можете використовувати його для паралелізації для циклу. Коли виклик циклу for, цикл є послідовним, але кожна ітерація працює паралельно основній програмі, як тільки інтерпретатор потрапляє туди. Наприклад:

@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')

Це дає наступний вихід:

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

чому ви не використовуєте нитки та один мютекс для захисту одного глобального списку?

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

майте на увазі, ви пройдете так само швидко, як і ваша найповільніша нитка

Я виявив, що мені joblibдуже корисно. Дивіться наступний приклад:

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: використовувати всі доступні ядра

Скажімо, у нас є функція асинхронізації

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

Це потрібно запустити на великому масиві. Деякі атрибути передаються програмі, а деякі використовуються із властивості елемента словника у масиві.

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))

Погляньте на це;

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

Це може бути не правильним способом зробити це, але я б зробив щось подібне;

Фактичний код;

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()

Сподіваюся, що це допомагає.

Це може бути корисно при впровадженні багатопроцесорних та паралельних / розподілених обчислень в Python.

Підручник YouTube щодо використання пакета techila

Techila - це розподілене обчислювальне проміжне програмне забезпечення, яке інтегрується безпосередньо з Python за допомогою пакета techila. Функція персика в упаковці може бути корисною для паралелізації структури циклів. (Наступний фрагмент коду знаходиться з форумів спільноти Techila )

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
    )

дякую @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'

дуже простий приклад паралельної обробки

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()