简单学习Python多进程Multiprocessing
|
1.1 什么是 Multiprocessing 多线程在同一时间只能处理一个任务。 可把任务平均分配给每个核，而每个核具有自己的运算空间。 1.2 添加进程 Process 与线程类似，如下所示，但是该程序直接运行无结果，因为IDLE不支持多进程，在命令行终端运行才有结果显示
import multiprocessing as mp
def job(a,b):
print('abc')
if __name__=='__main__':
p1=mp.Process(target=job,args=(1,2))
p1.start()
p1.join()
1.3 存储进程输出 Queue 不知道为什么下面的这个程序可以在IDLE中正常运行。首先定义了一个job函数作系列数学运算，然后将结果放到res中，在main函数运行，取出queue中存储的结果再进行一次加法运算。 import multiprocessing as mp def 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,))#注意当参数只有一个时，应加上逗号 p2 = mp.Process(target=job,)) p1.start() p2.start() p1.join() p2.join() res1=q.get() res2=q.get() print(res1+res2) 结果如下所示：
1.4 效率比对 threading & multiprocessing 在job函数中定义了数学运算，比较正常情况、多线程和多进程分别的运行时间。
import multiprocessing as mp
import threading as td
import time
def job(q):
res = 0
for i in range(10000000):
res += i+i**2+i**3
q.put(res) # queue
def multicore():
q = mp.Queue()
p1 = mp.Process(target=job,))
p2 = mp.Process(target=job,))
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):#线程或进程都构造了两个，进行了两次运算，所以这里循环两次
for i in range(10000000):
res += i+i**2+i**3
print('normal:',res)
def multithread():
q = mp.Queue()
t1 = td.Thread(target=job,))
t2 = td.Thread(target=job,))
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)
在视频中的运行结果是多进程<正常<多线程，而我的运行结果为下图所示：
综上，多核/多进程运行最快，说明在同时间运行了多个任务，而多线程却不一定会比正常情况下的运行来的快，这和多线程中的GIL有关。 1.5 进程池 进程池Pool，就是我们将所要运行的东西，放到池子里，Python会自行解决多进程的问题。 import multiprocessing as mp def job(x): return x*x def multicore(): pool=mp.Pool(processes=2)#定义一个Pool，并定义CPU核数量为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() 运行结果如下所示：
首先定义一个池子，有了池子之后，就可以让池子对应某一个函数，在上述代码中定义的pool对应job函数。我们向池子里丢数据，池子就会返回函数返回的值。 Pool和之前的Process的不同点是丢向Pool的函数有返回值，而Process的没有返回值。 接下来用map()获取结果，在map()中需要放入函数和需要迭代运算的值，然后它会自动分配给CPU核，返回结果
我们怎么知道Pool是否真的调用了多个核呢？我们可以把迭代次数增大些，然后打开CPU负载看下CPU运行情况 打开CPU负载(Mac)：活动监视器 > CPU > CPU负载(单击一下即可) Pool默认大小是CPU的核数，我们也可以通过在Pool中传入processes参数即可自定义需要的核数量。 Pool除了可以用map来返回结果之外，还可以用apply_async()，与map不同的是，只能传递一个值，只会放入一个核进行计算，但是传入值时要注意是可迭代的，所以在传入值后需要加逗号,同时需要用get()方法获取返回值。所对应的代码为： res=pool.apply_async(job,)) print(res.get()) 运行结果为4。 由于传入值是可以迭代的，则我们同样可以使用apply_async()来输出多个结果。如果在apply_async()中输入多个传入值： res = pool.apply_async(job,3,4,)) 结果会报错： TypeError: job() takes exactly 1 argument (3 given) 即apply_async()只能输入一组参数。 在此我们将apply_async()放入迭代器中，定义一个新的multi_res multi_res = [pool.apply_async(job,)) for i in range(10)] 同样在取出值时需要一个一个取出来 print([res.get() for res in multi_res]) apply用迭代器的运行结果与map取出的结果相同。 note： （1）Pool默认调用是CPU的核数，传入processes参数可自定义CPU核数 （2）map() 放入迭代参数，返回多个结果 （3）apply_async()只能放入一组参数，并返回一个结果，如果想得到map()的效果需要通过迭代 1.6 共享内存 shared memory 只有通过共享内存才能让CPU之间进行交流。 通过Value将数据存储在一个共享的内存表中。
import multiprocessing as mp
value1 = mp.Value('i',0)
value2 = mp.Value('d',3.14)
其中，i和d表示数据类型。i为带符号的整型，d为双精浮点类型。更多数据类型可参考网址：https://docs.python.org/3/library/array.html 在多进程中有一个Array类，可以和共享内存交互，来实现进程之间共享数据。 和numpy中的不同，这里的Array只能是一维的，并且需要定义数据类型否则会报错。
array = mp.Array('i',[1,2,4])
1.7 进程锁 Lock 首先是不加进程锁的运行情况，在下述代码中定义了共享变量v，定义了两个进程，均可对v进行操作。job函数的作用是每隔0.1s输出一次累加num的值，累加值num在两个进程中分别为1和3。
import multiprocessing as mp
import time
def job(v,num):
for _ in range(10):
time.sleep(0.1)#暂停0.1s，让输出效果更明显
v.value+=num #v.value获取共享变量值
print(v.value)
def multicore():
v=mp.Value('i',0)#定义共享变量
p1=mp.Process(target=job,args=(v,1))
p2=mp.Process(target=job,3))
p1.start()
p2.start()
p1.join()
p2.join()
if __name__=='__main__':
multicore()
运行结果如下所示：
可以看到两个进程互相抢占共享内存v。 为了解决上述不同进程抢共享资源的问题，我们可以用加进程锁来解决。 首先需要定义一个进程锁： l = mp.Lock() # 定义一个进程锁 然后将进程锁的信息传入各个进程中 p1 = mp.Process(target=job,1,l)) # 需要将Lock传入 p2 = mp.Process(target=job,l)) 在job()中设置进程锁的使用，保证运行时一个进程的对锁内内容的独占 def job(v,num,l): l.acquire() # 锁住 for _ in range(5): time.sleep(0.1) v.value += num # v.value获取共享内存 print(v.value) l.release() # 释放 完整代码：
def job(v,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
v = mp.Value('i',0) # 定义共享内存
p1 = mp.Process(target=job,l)) # 需要将lock传入
p2 = mp.Process(target=job,l))
p1.start()
p2.start()
p1.join()
p2.join()
if __name__ == '__main__':
multicore()
运行结果如下所示：
可以看到进程1运行完之后才运行进程2。 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持编程小技巧。 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
