Question

希望通过并行化我的python代码获得一些帮助，我一直在努力解决它，并且无论我尝试哪种方式都会出现几个错误，目前运行代码大约需要2-3个小时才能完成，代码如下;

import numpy as np
from scipy.constants import Boltzmann, elementary_charge as kb, e
import multiprocessing
from functools import partial 
Tc = 9.2
x = []
g= []
def Delta(T):
'''
Delta(T) takes a temperature as an input and calculates a
temperature dependent variable based on Tc which is defined as a
global parameter  
'''
    d0 = (pi/1.78)*kb*Tc
    D0 = d0*(np.sqrt(1-(T**2/Tc**2)))
    return D0

def element_in_sum(T, n, phi):
    D = Delta(T)
    matsubara_frequency = (np.pi * kb * T) * (2*n + 1)
    factor_d = np.sqrt((D**2 * cos(phi/2)**2) + matsubara_frequency**2)
    element = ((2 * D * np.cos(phi/2))/ factor_d) * np.arctan((D * np.sin(phi/2))/factor_d)
    return element

def sum_elements(T, M, phi):
'''
  sum_elements(T,M,phi) is the most computationally heavy part
  of the calculations, the larger the M value the more accurate the 
  results are.
  T: temperature
  M: number of steps for matrix calculation the larger the more accurate the calculation
 phi: The phase of the system can be between 0- pi 
'''
    X = list(np.arange(0,M,1))
    Y = [element_in_sum(T, n, phi) for n in X]
    return sum(Y)

def KO_1(M, T, phi):
    Iko1Rn = (2 * np.pi * kb * T /e) * sum_elements(T, M, phi)
    return Iko1Rn

def main():
    for j in range(1, 92):
        T = 0.1*j
        for i in range(1, 314):
            phi = 0.01*i
            pool = multiprocessing.Pool()
            result = pool.apply_async(KO_1,args=(26000, T, phi,))
            g.append(result)
            pool.close()
            pool.join()    
     A = max(g);
     x.append(A)
     del g[:]

我的方法是尝试将KO1函数发送到多处理池，但我得到Pickling错误或too many files open，非常感谢任何帮助，如果多处理是错误的方法我我会喜欢任何指南。

Answer 1

这不是问题的答案，但如果可以，我会建议如何使用简单的numpy数组操作来加速代码。看看下面的代码：

import numpy as np
from scipy.constants import Boltzmann, elementary_charge as kb, e
import time
Tc = 9.2
RAM = 4*1024**2 # 4GB

def Delta(T):
    '''
    Delta(T) takes a temperature as an input and calculates a
    temperature dependent variable based on Tc which is defined as a
    global parameter  
    '''
    d0 = (np.pi/1.78)*kb*Tc
    D0 = d0*(np.sqrt(1-(T**2/Tc**2)))
    return D0

def element_in_sum(T, n, phi):
    D = Delta(T)
    matsubara_frequency = (np.pi * kb * T) * (2*n + 1)
    factor_d = np.sqrt((D**2 * np.cos(phi/2)**2) + matsubara_frequency**2)
    element = ((2 * D * np.cos(phi/2))/ factor_d) * np.arctan((D * np.sin(phi/2))/factor_d)
    return element


def KO_1(M, T, phi):
    X = np.arange(M)[:,np.newaxis,np.newaxis]
    sizeX = int((float(RAM) / sum(T.shape))/sum(phi.shape)/8) #8byte
    i0 = 0
    Iko1Rn = 0. * T * phi
    while (i0+sizeX) <= M:
        print "X = %i"%i0
        indices = slice(i0, i0+sizeX)
        Iko1Rn += (2 * np.pi * kb * T /e) * element_in_sum(T, X[indices], phi).sum(0)
        i0 += sizeX
    return Iko1Rn

def main():
    T = np.arange(0.1,9.2,0.1)[:,np.newaxis]
    phi = np.linspace(0,np.pi, 361)
    M = 26000
    result = KO_1(M, T, phi)
    return result, result.max()

T0 = time.time()
r, rmax = main()
print time.time() - T0

在我的电脑上运行时间超过20秒。一个人必须小心不要使用太多的内存，这就是为什么仍然有一个有点复杂结构的循环只能使用X.如果有足够的内存，那么就没有必要了。

还应该注意，这只是加速的第一步。使用例如，仍可以进行很多改进。及时汇编或cython。

Answer 2

我没有测试过您的代码，但您可以做几件事来改进它。

首先，不要不必要地创建数组。 sum_elements只能使用一个生成器时会创建三个类似于数组的对象。首先，np.arange创建一个numpy数组，然后list函数创建一个列表对象，然后列表推导创建另一个列表。该功能可以完成4倍的工作。

实现它的正确方法（在python3中）将是：

def sum_elements(T, M, phi):
    return sum(element_in_sum(T, n, phi) for n in range(0, M, 1))

如果您使用python2，请将range替换为xrange。这个技巧可能会帮助你编写任何python脚本。

此外，尝试更好地利用多处理。您需要做的就是创建一个multiprocessing.Pool对象一次，并使用pool.map函数。

主要功能应如下所示：

def job(args):
   i, j = args
   T = 0.1*j
   phi = 0.01*i
   return K0_1(26000, T, phi)

def main():        
    pool = multiprocessing.Pool(processes=4) # You can change this number
    x = [max(pool.imap(job, ((i, j) for i in range(1, 314)) for j in range(1, 92)]

请注意，我使用了一个元组，以便将多个参数传递给job。

用于数值计算的多处理python函数

2 个答案: