Question

为了加快某个列表处理逻辑，我写了一个装饰器，它将1）拦截传入的函数调用2）取其输入列表，将其分成多个部分4）将这些部分传递给单独的线程上的原始函数5）结合输出和返回

我认为这是一个非常巧妙的想法，直到我编码并看到速度没有变化！即使我看到多个核心忙于htop，多线程版本实际上比单线程版本慢。

这与臭名昭着的cpython GIL有关吗？

谢谢！

from threading import Thread 
import numpy as np 
import time

# breaks a list into n list of lists
def split(a, n):
    k, m = len(a) / n, len(a) % n
    return (a[i * k + min(i, m):(i + 1) * k + min(i + 1, m)] for i in xrange(n))

THREAD_NUM = 8 

def parallel_compute(fn):
    class Worker(Thread):
        def __init__(self, *args):
            Thread.__init__(self)
            self.result = None
            self.args = args
        def run(self):
            self.result = fn(*self.args)
    def new_compute(*args, **kwargs):        
        threads = [Worker(args[0], args[1], args[2], x) for x in split(args[3], THREAD_NUM)]
        for x in threads: x.start()
        for x in threads: x.join()
        final_res = []
        for x in threads: final_res.extend(x.result)
        return final_res        
    return new_compute

# some function that does a lot of computation
def f(x): return np.abs(np.tan(np.cos(np.sqrt(x**2))))

class Foo:
    @parallel_compute
    def compute(self, bla, blah, input_list):
        return map(f, input_list)

inp = [i for i in range(40*1000*100)]
#inp = [1,2,3,4,5,6,7]

if __name__ == "__main__": 

    o = Foo()
    start = time.time()
    res = o.compute(None, None, inp)
    end = time.time()
    print 'parallel', end - start

单线程版

import time, fast_one, numpy as np

class SlowFoo:
    def compute(self, bla, blah, input_list):
        return map(fast_one.f, input_list)

if __name__ == "__main__": 

    o = SlowFoo()
    start = time.time()
    res = np.array(o.compute(None, None, fast_one.inp))
    end = time.time()
    print 'single', end - start

这是提供"PicklingError: Can't pickle <type 'function'>: attribute lookup __builtin__.function failed".

的多处理版本

import pathos.multiprocessing as mp
import numpy as np, dill
import time

def split(a, n):
    k, m = len(a) / n, len(a) % n
    return (a[i * k + min(i, m):(i + 1) * k + min(i + 1, m)] for i in xrange(n))

def f(x): return np.abs(np.tan(np.cos(np.sqrt(x**2))))

def compute(input_list):
    return map(f, input_list)

D = 2; pool = mp.Pool(D)
def parallel_compute(fn):
    def new_compute(*args, **kwargs):
        inp = []
        for x in split(args[0], D): inp.append(x)
        outputs_async = pool.map_async(fn, inp)
        outputs = outputs_async.get()
        outputs = [y for x in outputs for y in x]
        return outputs
    return new_compute

compute = parallel_compute(compute)

inp = [i for i in range(40*1000)]

if __name__ == "__main__": 

    start = time.time()
    res = compute(inp)
    end = time.time()
    print 'parallel', end - start
    print len(res)

Answer 1

是的，当你的线程在Python中实现CPU绑定工作时（不是通过C扩展，可以在Python结构编组/解组数据之前和之后释放GIL），GIL就是这里的一个问题。 / p>

我建议使用多处理模型，没有它的Python实现（IronPython，Jython等），或者完全不同的语言（如果你正在做性能敏感的工作，那就没有语言的终结几乎像Python一样流畅，但运行时性能要好得多。）

Answer 2

或者，您可以在子进程中重新签名并启动所有并行代码。

您需要工作线程来启动子进程进行计算。那些子进程可以真正并行运行。

Python线程没有提高速度

2 个答案: