您现在的位置是:网站首页> 内容页

快速掌握用python写并行程序

  • U赢电竞官网首页
  • 2019-03-22
  • 56人已阅读
简介目录一、大数据时代的现状二、面对挑战的方法2.1并行计算2.2改用GPU处理计算密集型程序3.3分布式计算三、用python写并行程序3.1进程与线程3.2全局解释器锁GIL

目录

一、大数据时代的现状二、面对挑战的方法2.1 并行计算2.2 改用GPU处理计算密集型程序3.3 分布式计算三、用python写并行程序3.1 进程与线程3.2 全局解释器锁GIL:3.3 multiprocessing四、multiprocessing实战总结

小子今天想来谈谈“并行计算”,作为一个非科班人员,我为什么去捣鼓这么一个在科班里也比较专业的问题了。这就要说下我前几天做的一个作业了,当时我用python写了个程序,结果运行了一天,这个速度可让我愁了,我还怎么优化,怎么交作业啊。于是小子就去各大论坛寻丹问药了,终于让我发现可以用并行计算来最大化压榨电脑的CPU,提升计算效率,而且python里有multiprocessing这个库可以提供并行计算接口,于是小子花1天时间改进程序,终于在规定时间内做出了自己满意的结果,上交了作业。之后,小子对并行计算充满了兴趣,于是又重新在Google上游历了一番,大致弄清了GPU、CPU、进程、线程、并行计算、分布式计算等概念,也把python的multiprocessing耍了一遍,现在小子也算略有心得了,所以来此立碑,以示后来游客。小子本文分为四部分,一是大数据时代现状,其二是面对挑战的方法,然后是用python写并行程序,最后是multiprocessing实战。

一、大数据时代的现状

当前我们正处于大数据时代,每天我们会通过手机、电脑等设备不断的将自己的数据传到互联网上。据统计,YouTube上每分钟就会增加500多小时的视频,面对如此海量的数据,如何高效的存储与处理它们就成了当前最大的挑战。但在这个对硬件要求越来越高的时代,CPU却似乎并不这么给力了。自2013年以来,处理器频率的增长速度逐渐放缓了,目前CPU的频率主要分布在3~4GHz。这个也是可以理解的,毕竟摩尔定律都生效了50年了,如果它老人家还如此给力,那我们以后就只要静等处理器频率提升,什么计算问题在未来那都不是话下了。实际上CPU与频率是于能耗密切相关的,我们之前可以通过加电压来提升频率,但当能耗太大,散热问题就无法解决了,所以频率就逐渐稳定下来了,而Intel与AMD等大制造商也将目标转向了多核芯片,目前普通桌面PC也达到了4~8核。

二、面对挑战的方法

咱们有了多核CPU,以及大量计算设备,那我们怎么来用它们应对大数据时代的挑战了。那就要提到下面的方法了。

2.1 并行计算

并行(parallelism)是指程序运行时的状态,如果在同时刻有多个“工作单位”运行,则所运行的程序处于并行状态。图一是并行程序的示例,开始并行后,程序从主线程分出许多小的线程并同步执行,此时每个线程在各个独立的CPU进行运行,在所有线程都运行完成之后,它们会重新合并为主线程,而运行结果也会进行合并,并交给主线程继续处理。

图一、多线程并行
图二是一个多线程的任务(沿线为线程时间),但它不是并行任务。这是因为task1与task2总是不在同一时刻执行,这个情况下单核CPU完全可以同时执行task1与task2。方法是在task1不执行的时候立即将CPU资源给task2用,task2空闲的时候CPU给task1用,这样通过时间窗调整任务,即可实现多线程程序,但task1与task2并没有同时执行过,所以不能称为并行。我们可以称它为并发(concurrency)程序,这个程序一定意义上提升了单个CPU的使用率,所以效率也相对较高。
图二、多线程并发
并行编程模型:数据并行(Data Parallel)模型:将相同的操作同时作用于不同数据,只需要简单地指明执行什么并行操作以及并行操作对象。该模型反映在图一中即是,并行同时在主线程中拿取数据进行处理,并线程执行相同的操作,然后计算完成后合并结果。各个并行线程在执行时互不干扰。消息传递(Message Passing)模型:各个并行执行部分之间传递消息,相互通讯。消息传递模型的并行线程在执行时会传递数据,可能一个线程运行到一半的时候,它所占用的数据或处理结果就要交给另一个线程处理,这样,在设计并行程序时会给我们带来一定麻烦。该模型一般是分布式内存并行计算机所采用方法,但是也可以适用于共享式内存的并行计算机。

什么时候用并行计算:

    多核CPU——计算密集型任务。尽量使用并行计算,可以提高任务执行效率。计算密集型任务会持续地将CPU占满,此时有越多CPU来分担任务,计算速度就会越快,这种情况才是并行程序的用武之地。单核CPU——计算密集型任务。此时的任务已经把CPU资源100%消耗了,就没必要使用并行计算,毕竟硬件障碍摆在那里。单核CPU——I/O密集型任务。I/O密集型任务在任务执行时需要经常调用磁盘、屏幕、键盘等外设,由于调用外设时CPU会空闲,所以CPU的利用率并不高,此时使用多线程程序,只是便于人机交互。计算效率提升不大。多核CPU——I/O密集型任务。同单核CPU——I/O密集型任务。

2.2 改用GPU处理计算密集型程序

GPU即图形处理器核心(Graphics Processing Unit),它是显卡的心脏,显卡上还有显存,GPU与显存类似与CPU与内存。GPU与CPU有不同的设计目标,CPU需要处理所有的计算指令,所以它的单元设计得相当复杂;而GPU主要为了图形“渲染”而设计,渲染即进行数据的列处理,所以GPU天生就会为了更快速地执行复杂算术运算和几何运算的。GPU相比与CPU有如下优势:

    强大的浮点数计算速度。大量的计算核心,可以进行大型并行计算。一个普通的GPU也有数千个计算核心。强大的数据吞吐量,GPU的吞吐量是CPU的数十倍,这意味着GPU有适合的处理大数据。

GPU目前在处理深度学习上用得十分多,英伟达(NVIDIA)目前也花大精力去开发适合深度学习的GPU。现在上百层的神经网络已经很常见了,面对如此庞大的计算量,CPU可能需要运算几天,而GPU却可以在几小时内算完,这个差距已经足够别人比我们多打几个比赛,多发几篇论文了。

3.3 分布式计算

说到分布式计算,我们就先说下下Google的3篇论文,原文可以直接点链接去下载:

GFS(The Google File System):解决数据存储的问题。采用N多台廉价的电脑,使用冗余的方式,来取得读写速度与数据安全并存的结果。MapReduce(Simplified Data Processing on Large Clusters):函数式编程,把所有的操作都分成两类,map与reduce,map用来将数据分成多份,分开处理,reduce将处理后的结果进行归并,得到最终的结果。BigTable(Bigtable: A Distributed Storage System for Structured Data):在分布式系统上存储结构化数据的一个解决方案,解决了巨大的Table的管理、负载均衡的问题.

Google在2003~2006年发表了这三篇论文之后,一时之间引起了轰动,但是Google并没有将MapReduce开源。在这种情况下Hadoop就出现了,Doug Cutting在Google的3篇论文的理论基础上开发了Hadoop,此后Hadoop不断走向成熟,目前Facebook、IBM、ImageShack等知名公司都在使用Hadoop运行他们的程序。

分布式计算的优势:可以集成诸多低配的计算机(成千上万台)进行高并发的储存与计算,从而达到与超级计算机媲美的处理能力。

三、用python写并行程序

在介绍如何使用python写并行程序之前,我们需要先补充几个概念,分别是进程、线程与全局解释器锁(Global Interpreter Lock GIL)。

3.1 进程与线程

进程(process):

在面向线程设计的系统(如当代多数操作系统、Linux 2.6及更新的版本)中,进程本身不是基本运行单位,而是线程的容器。进程拥有自己独立的内存空间,所属线程可以访问进程的空间。程序本身只是指令、数据及其组织形式的描述,进程才是程序的真正运行实例。 例如,Visual Studio开发环境就是利用一个进程编辑源文件,并利用另一个进程完成编译工作的应用程序。

线程(threading):

线程有自己的一组CPU指令、寄存器与私有数据区,线程的数据可以与同一进程的线程共享。当前的操作系统是面向线程的,即以线程为基本运行单位,并按线程分配CPU。

进程与线程有两个主要的不同点,其一是进程包含线程,线程使用进程的内存空间,当然线程也有自己的私有空间,但容量小;其二是进程有各自独立的内存空间,互不干扰,而线程是共享内存空间。图三展示了进程、线程与CPU之间的关系。在图三中,进程一与进程二都含有3个线程,CPU会按照线程来分配任务,如图中4个CPU同时执行前4个线程,后两个标红线程处于等待状态,在CPU运行完当前线程时,等待的线程会被唤醒并进入CPU执行。通常,进程含有的线程数越多,则它占用CPU的时间会越长。

图三、进程、线程与CPU关系

3.2 全局解释器锁GIL:

GIL是计算机程序设计语言解释器用于同步线程的一种机制,它使得任何时刻仅有一个线程在执行。即便在多核心处理器上,使用 GIL 的解释器也只允许同一时间执行一个线程。Python的Cpython解释器(普遍使用的解释器)使用GIL,在一个Python解释器进程内可以执行多线程程序,但每次一个线程执行时就会获得全局解释器锁,使得别的线程只能等待,由于GIL几乎释放的同时就会被原线程马上获得,那些等待线程可能刚唤醒,所以经常造成线程不平衡享受CPU资源,此时多线程的效率比单线程还要低下。在python的官方文档里,它是这样解释GIL的:

In CPython the global interpreter lock or GIL is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However since the GIL exists other features have grown to depend on the guarantees that it enforces.)

可以说它的初衷是很好的,为了保证线程间的数据安全性;但是随着时代的发展,GIL却成为了python并行计算的最大障碍,但这个时候GIL已经遍布CPython的各个角落,修改它的工作量太大,特别是对这种开源性的语音来说。但幸好GIL只锁了线程,我们可以再新建解释器进程来实现并行,那这就是multiprocessing的工作了。

3.3 multiprocessing

multiprocessing是python里的多进程包,通过它,我们可以在python程序里建立多进程来执行任务,从而进行并行计算。官方文档如下所述:

The multiprocessing package offers both local and remote concurrency effectively side-stepping the Global Interpreter Lock by using subprocesses instead of threads.我们接下来介绍下multiprocessing的各个接口:

3.3.1 进程process

multiprocessing.Process(target=None  args=()) target: 可以被run()调用的函数,简单来说就是进程中运行的函数 args: 是target的参数process的方法: start(): 开始启动进程,在创建process之后执行 join([timeout]):阻塞目前父进程,直到调用join方法的进程执行完或超时(timeout),才继续执行父进程 terminate():终止进程,不论进程有没有执行完,尽量少用。

示例1

from multiprocessing import Processdef f(name): print "hello" nameif __name__ == "__main__": p = Process(target=f args=("bob")) # p进程执行f函数,参数为"bob",注意后面的“” p.start() # 进程开始 p.join() # 阻塞主线程,直至p进程执行结束

3.3.2 进程池Process Pools

class multiprocessing.Pool([processes]) processes是进程池中的进程数,默认是本机的cpu数量方法: apply(func[ args[ kwds]])进程池中的进程进行func函数操作,操作时会阻塞进程,直至生成结果。 apply_async(func[ args[ kwds[ callback]]])与apply类似,但是不会阻塞进程 map(func iterable[ chunksize])进程池中的进程进行映射操作 map_async(func iterable[ chunksize[ callback]]) imap(func iterable[ chunksize]):返回有序迭代器 imap_unordered(func iterable[ chunsize]):返回无序迭代器 close():禁止进程池再接收任务 terminate():强行终止进程池,不论是否有任务在执行 join():在close()或terminate()之后进行,等待进程退出

示例2

from multiprocessing import Pooldef f(x): return x*xif __name__ == "__main__": p = Pool(5) # 创建有5个进程的进程池 print(p.map(f [1 2 3])) # 将f函数的操作给进程池

3.3.3 Pipes & Queues

multiprocessing.Pipe([duplex]) 返回两个连接对象(conn1 conn2),两个连接对象分别访问pipe的头和尾,进行读写操作 Duplex: True(default)创建的pipe是双向的,也即两端都可以进行读写;若为False,则pipe是单向的,仅可以在一端读,另一端写,此时与Queue类似。multiprocessing.Queue([maxsize]) qsize():返回queue中member数量 empty():如果queue是空的,则返回true full():如果queue中member数量达到maxsize,则返回true put(obj):将一个object放入到queue中 get():从队列中取出一个object并将它从queue中移除,FIFO原则 close():关闭队列,并将缓存的object写入pipe

示例

from multiprocessing import Poolimport timedef f(x): return x*xif __name__ == "__main__": pool = Pool(processes=4) # start 4 worker processes result = pool.apply_async(f (10)) # evaluate "f(10)" asynchronously in a single process print result.get(timeout=1) # prints "100" unless your computer is *very* slow print pool.map(f range(10)) # prints "[0 1 4... 81]" it = pool.imap(f range(10)) print it.next() # prints "0" print it.next() # prints "1" print it.next(timeout=1) # prints "4" unless your computer is *very* slow result = pool.apply_async(time.sleep (10)) print result.get(timeout=1) # raises multiprocessing.TimeoutError

3.3.4 进程锁multiprocessing.Lock

当一个进程获得(acquire)锁之后,其它进程在想获得锁就会被禁止,可以保护数据,进行同步处理。 acquire(block=True timeout=None):尝试获取一个锁,如果block为true,则会在获得锁之后阻止其它进程再获取锁。 release():释放锁

3.3.5 共享内存——Value Array

共享内存通常需要配合进程锁来处理,保证处理的顺序相同。

multiprocessing.Value(typecode_or_type *args[ lock]) 返回一个ctype对象, 创建c = Value(‘d’ 3.14)调用c.value()multiprocessing.Array(typecode_or_type size_or_initializer * lock=True) 返回一个ctype数组,只能是一维的 Array(‘i’ [1 2 3 4])

Type codeC TypePython TypeMinimum size in bytes
"b"signed charint1
"B"unsigned charint1
"u"Py_UNICODEUnicode character2
"h"signed shortint2
"H"unsigned shortint2
"i"signed intint2
"I"unsigned intint2
"l"signed longint4
"L"unsigned longint4
"q"signed long longint8
"Q"unsigned long longint8
"f"floatfloat4
"d"doublefloat8

3.3.6 其它方法

multiprocessing.active_children():返回当前进程的所有子进程multiprocessing.cpu_count():返回本计算机的cpu数量multiprocessing.current_process():返回当前进程

3.3.7 注意事项:

    尽量避免共享数据所有对象都尽量是可以pickle的避免使用terminate强行终止进程,以造成不可预料的后果有队列的进程在终止前队列中的数据需要清空,join操作应放到queue清空后明确给子进程传递资源、参数

windows平台另需注意:

注意跨模块全局变量的使用,可能被各个进程修改造成结果不统一主模块需要加上if name == "main":来提高它的安全性,如果有交互界面,需要加上freeze_support()

四、multiprocessing实战

process、lock与value尝试:

import multiprocessing as mpimport timedef job(v num l): l.acquire() # 锁住 for _ in range(5): time.sleep(0.1) v.value += num # 获取共享内存 print(v.value) l.release() # 释放def multicore(): l = mp.Lock() # 定义一个进程锁 #l = 1 v = mp.Value("i" 0) # 定义共享内存 p1 = mp.Process(target=job args=(v1l)) # 需要将lock传入 p2 = mp.Process(target=job args=(v3l)) p1.start() p2.start() p1.join() p2.join()if __name__=="__main__": multicore()

上述代码即对共享内存叠加5次,p1进程每次叠加1,p2进程每次叠加3,为了避免p1与p2在运行时抢夺共享数据v,在进程执行时锁住了该进程,从而保证了执行的顺序。我测试了三个案例:

    直接运行上述代码输出[1 2 3 4 5 8 11 14 17 20],运行时间为1.037s在1的基础上注释掉锁(上述注释了三行),在没有锁的情况下,输出[1 4 5 8 9 12 13 15 14 16]运行时间为0.53s在2的基础上将p1.join()调到p2.start()前面,输出为[1 2 3 4 5 8 11 14 17 20],运行时间为1.042s.

可以发现,没锁的情况下调整join可以取得与加锁类似的结果,这是因为join即是阻塞主进程,直至当前进程结束才回到主进程,若将p1.join()放到p1.start()后面,则会马上阻塞主进程,使得p2要稍后才开始,这与锁的效果一样。如果如上述代码所示,p1.join()在p2.start()后面,虽然是p1先join(),但这时只是阻塞了主进程,而p2是兄弟进程,它已经开始了,p1就不能阻止它了,所以这时如果没锁的话p1与p2就是并行了,运行时间就是一半,但因为它们争抢共享变量,所以输出就变得不确定了。

pool

import multiprocessing as mp#import pdbdef job(i): return i*idef multicore(): pool = mp.Pool() #pdb.set_trace() res = pool.map(job range(10)) print(res) res = pool.apply_async(job (2)) # 用get获得结果 print(res.get()) # 迭代器,i=0时apply一次,i=1时apply一次等等 multi_res = [pool.apply_async(job (i)) for i in range(10)] # 从迭代器中取出 print([res.get() for res in multi_res])multicore()

pool其实非常好用,特别是map与apply_async。通过pool这个接口,我们只有指定可以并行的函数与函数参数列表,它就可以自动帮我们创建多进程池进行并行计算,真的不要太方便。pool特别适用于数据并行模型,假如是消息传递模型那还是建议自己通过process来创立进程吧。

总结

小子这次主要是按自己的理解把并行计算理了下,对进程、线程、CPU之间的关系做了下阐述,并把python的multiprocessing这个包拎了拎,个人感觉这个里面还大有学问,上次我一个师兄用python的process来控制单次迭代的运行时间(运行超时就跳过这次迭代,进入下一次迭代)也是让我涨了见识,后面还要多多学习啊。感谢您花费宝贵的时间阅读到这里,希望能有所收获,也欢迎在评论区进行交流。

推荐好文:multiprocessing官方文档python多进程的理解 multiprocessing Process join run(推荐好文)多进程 Multiprocessing

1 0 9)

文章评论

Top