首先让我告诉你我目前的设置：
import multiprocessing.pool
from contextlib import closing
import os
def big_function(param):
process(another_module.global_variable[param])
def dispatcher():
# sharing read-only global variable taking benefit from Unix
# which follows policy copy-on-update
# https://stackoverflow.com/questions/19366259/
another_module.global_variable = huge_list
# send indices
params = range(len(another_module.global_variable))
with closing(multiprocessing.pool.Pool(processes=os.cpu_count())) as p:
multiprocessing_result = list(p.imap_unordered(big_function, params))
return multiprocessing_result
这里我使用共享变量在创建进程池之前更新，其中包含大量数据，这确实让我获得了加速，因此它现在似乎没有被腌制。此变量也属于导入模块的范围（如果重要的话）。
当我尝试创建这样的设置时：
another_module.global_variable = []
p = multiprocessing.pool.Pool(processes=os.cpu_count())
def dispatcher():
# sharing read-only global variable taking benefit from Unix
# which follows policy copy-on-update
# https://stackoverflow.com/questions/19366259/
another_module_global_variable = huge_list
# send indices
params = range(len(another_module.global_variable))
multiprocessing_result = list(p.imap_unordered(big_function, params))
return multiprocessing_result
p“记得”全局共享列表为空，并且在从调度程序内部调用时拒绝使用新数据。
现在问题是：在上面的第一个设置中处理8个核心上的~600个数据对象，我的并行计算运行8秒，而单线程运行12秒。
这就是我的想法：只要多处理pickle数据，我每次都需要重新创建进程，我需要挑选函数big_function()，所以我就浪费时间了。使用全局变量部分解决了数据的情况（但我仍然需要在每次更新时重新创建池）。
我可以对big_function()的实例做什么（这取决于其他模块的许多其他功能，numpy等）？我可以一劳永逸地创建os.cpu_count()个副本，并以某种方式将新数据提供给它们并接收结果，重复使用工作人员吗？
答案 0 :(得分：1)
回过头来回忆一下＆＃39;问题：
another_module.global_variable = []
p = multiprocessing.pool.Pool(processes=os.cpu_count())
def dispatcher():
another_module_global_variable = huge_list
params = range(len(another_module.global_variable))
multiprocessing_result = list(p.imap_unordered(big_function, params))
return multiprocessing_result
当您创建Pool实例时，似乎是什么问题。
为什么？
这是因为当你创建Pool的实例时，它确实设置了一些工作者（默认情况下等于一些CPU核心），并且它们在那时都被启动（分叉）。这意味着工作人员拥有父母全局状态的副本（以及其他所有内容中的another_module.global_variable），并且通过写时复制策略，当您更新another_module.global_variable的值时，您可以在父级中更改它处理。工人可以参考旧的价值。这就是你遇到问题的原因。
这是一个小片段，您可以在其中切换全局变量值更改的位置以及启动进程的位置，并检查子进程中打印的内容。
from __future__ import print_function
import multiprocessing as mp
glob = dict()
glob[0] = [1, 2, 3]
def printer(a):
print(globals())
print(a, glob[0])
if __name__ == '__main__':
p = mp.Process(target=printer, args=(1,))
p.start()
glob[0] = 'test'
p.join()
这是Python2.7代码，但它也适用于Python3.6。
这个问题的解决方案是什么？
好吧，回到第一个解决方案。您更新导入的模块的变量的值，然后创建进程池。
现在是缺乏加速的真正问题。
以下是documentation关于如何腌制函数的有趣部分：
请注意，功能（内置和用户定义）被“完全”腌制 合格的“名称参考，而不是价值。这意味着只有 功能名称被腌制，以及模块的名称 函数定义为。函数的代码，也不是函数的代码 功能属性是pickle。因此，定义模块必须是 可以在unpickling环境中导入，并且模块必须包含 命名对象，否则将引发异常。
这意味着你的功能酸洗不应该是浪费时间的过程，或者至少不是它本身。导致加速不足的原因是，对于传递给imap_unordered调用的列表中的~600个数据对象，您将其中的每一个传递给工作进程。同样，multiprocessing.Pool的底层实现可能是导致此问题的原因。
如果您深入了解multiprocessing.Pool实现，您将看到使用Threads的两个Queue正在处理父级和所有子级（工作者）进程之间的通信。因此，所有进程都不断需要函数参数并不断返回响应，最终会导致父进程非常繁忙。这就是为什么很多＆＃39;时间用于调度＆＃39;将数据传入工作进程和从工作进程传递数据。
该怎么办？
尝试随时增加工作进程中进程的数据对象数。在您的示例中，您将传递一个数据对象，并且可以确保每个工作进程在任何时候都只处理一个数据对象。为什么不增加传递给工作进程的数据对象的数量？这样，您可以通过处理10个，20个甚至更多数据对象来使每个过程更加繁忙。从我所看到的情况来看，imap_unordered有chunksize个参数。默认设置为1。尝试增加它。像这样：
import multiprocessing.pool
from contextlib import closing
import os
def big_function(params):
results = []
for p in params:
results.append(process(another_module.global_variable[p]))
return results
def dispatcher():
# sharing read-only global variable taking benefit from Unix
# which follows policy copy-on-update
# https://stackoverflow.com/questions/19366259/
another_module.global_variable = huge_list
# send indices
params = range(len(another_module.global_variable))
with closing(multiprocessing.pool.Pool(processes=os.cpu_count())) as p:
multiprocessing_result = list(p.imap_unordered(big_function, params, chunksize=10))
return multiprocessing_result
一对建议：
params作为索引列表，用于在big_function中选择特定数据对象。您可以创建表示第一个和最后一个索引的元组，并将它们传递给big_function。这可以成为增加工作量的一种方式。这是我上面提出的方法的替代方法。Pool(processes=os.cpu_count())，否则您可以省略它。它默认采用CPU核心数。很抱歉答案的长度或可能潜入的任何拼写错误。