Question

我使用multiprocessing.Pool来并行化我正在运行的程序的各个部分。我循环数据，计算一些东西，然后返回结果。

代码效果不佳：

def likelihood_data(self, data):
    func = partial(likelihood, means=self.means, stddevs=self.stddevs, c_ks=self.c_k)
    if len(data) > 100:
        pool = Pool(10)
        try:
            likelihoods = pool.map(func, data)
        finally:
            pool.close()
            pool.join()
    else:
        likelihoods = []
        for sample in data:
            likelihoods.append(self.likelihood(sample))
    return np.mean(likelihoods)

def likelihood(sample, means, stddevs, c_ks):  # is outside of class
    likel = [] 
    for c_k, m, s in zip(c_ks, means, stddevs):
        likel.append(likel_bound(np.log(c_k) + np.sum(logg(sample, m, s))))
    return np.sum(np.exp(likel))

从使用cProfile开始，糟糕的表现来自{method 'acquire' of '_thread.lock' objects}花费的大部分时间。我不明白为什么每个过程彼此独立时都会发生这种情况。这里发生了什么？

编辑：或者它只是花费最长时间，因为它等待所有进程完成？

Answer 1

我的错误是我在太少的数据上使用多处理。正如我多次调用likelihood_data一样，所有时间都花在启动和停止多处理上而没有任何实际收益。

使用多处理的程序大部分时间花在线程锁上？

1 个答案: