Question

我开发了简单的程序来解决八个皇后问题。现在，我想使用不同的元参数进行更多测试，以便快速进行。我经历了几次分析，并能够显着减少运行时，但是我达到了这样的地步，我相信只有部分计算可以同时进行才能使其更快。我尝试使用multiprocessing和concurrent.futures模块，但是它并不能大大改善运行时，在某些情况下甚至会降低执行速度。那只是给出一些背景。

我能够提出类似的代码结构，其中顺序版本胜于并发。

import numpy as np
import concurrent.futures
import math
import time
import multiprocessing

def is_prime(n):
    if n % 2 == 0:
        return False

    sqrt_n = int(math.floor(math.sqrt(n)))
    for i in range(3, sqrt_n + 1, 2):
        if n % i == 0:
            return False
    return True

def generate_data(seed):
    np.random.seed(seed)
    numbers = []
    for _ in range(5000):
        nbr = np.random.randint(50000, 100000)
        numbers.append(nbr)
    return numbers

def run_test_concurrent(numbers):
    print("Concurrent test")
    start_tm = time.time()
    chunk = len(numbers)//3
    primes = None
    with concurrent.futures.ProcessPoolExecutor(max_workers=3) as pool:
        primes = list(pool.map(is_prime, numbers, chunksize=chunk))
    print("Time: {:.6f}".format(time.time() - start_tm))
    print("Number of primes: {}\n".format(np.sum(primes)))


def run_test_sequential(numbers):
    print("Sequential test")
    start_tm = time.time()
    primes = [is_prime(nbr) for nbr in numbers]
    print("Time: {:.6f}".format(time.time() - start_tm))
    print("Number of primes: {}\n".format(np.sum(primes)))


def run_test_multiprocessing(numbers):
    print("Multiprocessing test")
    start_tm = time.time()
    chunk = len(numbers)//3
    primes = None
    with multiprocessing.Pool(processes=3) as pool:
        primes = list(pool.map(is_prime, numbers, chunksize=chunk))
    print("Time: {:.6f}".format(time.time() - start_tm))
    print("Number of primes: {}\n".format(np.sum(primes)))


def main():
    nbr_trails = 5
    for trail in range(nbr_trails):
        numbers = generate_data(trail*10)
        run_test_concurrent(numbers)
        run_test_sequential(numbers)
        run_test_multiprocessing(numbers)
        print("--\n")


if __name__ == '__main__':
    main()

当我在计算机上运行它-Windows 7（具有四个内核的Intel Core i5）时，得到以下输出：

Concurrent test
Time: 2.006006
Number of primes: 431

Sequential test
Time: 0.010000
Number of primes: 431

Multiprocessing test
Time: 1.412003
Number of primes: 431
--

Concurrent test
Time: 1.302003
Number of primes: 447

Sequential test
Time: 0.010000
Number of primes: 447

Multiprocessing test
Time: 1.252003
Number of primes: 447
--

Concurrent test
Time: 1.280002
Number of primes: 446

Sequential test
Time: 0.010000
Number of primes: 446

Multiprocessing test
Time: 1.250002
Number of primes: 446
--

Concurrent test
Time: 1.260002
Number of primes: 446

Sequential test
Time: 0.010000
Number of primes: 446

Multiprocessing test
Time: 1.250002
Number of primes: 446
--

Concurrent test
Time: 1.282003
Number of primes: 473

Sequential test
Time: 0.010000
Number of primes: 473

Multiprocessing test
Time: 1.260002
Number of primes: 473
--

我的问题是，是否可以通过使用Python 3.6.4 |Anaconda, Inc.|在 Windows 上同时运行它来加快运行速度。我在SO（Why is creating a new process more expensive on Windows than Linux?）上读到过，在Windows上创建新进程非常昂贵。有什么可以做的加快速度吗？我是否缺少明显的东西？

我还尝试只创建一次Pool，但似乎并没有太大帮助。

编辑：

原始代码结构或多或少类似于：

我的代码或多或少是这样的结构：

class Foo(object):

    def g() -> int:
        # function performing simple calculations
        # single function call is fast (~500 ms)
        pass


def run(self):
    nbr_processes = multiprocessing.cpu_count() - 1

    with multiprocessing.Pool(processes=nbr_processes) as pool:
        foos = get_initial_foos()

        solution_found = False
        while not solution_found:
            # one iteration
            chunk = len(foos)//nbr_processes
            vals = list(pool.map(Foo.g, foos, chunksize=chunk))

            foos = modify_foos()

，其中foos具有1000个元素。不可能事先知道算法收敛的速度和执行的迭代次数，可能是数千次。

Answer 1

在UNIX变体下，过程更加轻巧。 Windows进程很繁琐，需要花费更多的时间来启动。推荐使用线程在Windows上进行多处理。您还可以遵循以下线程： Why is creating a new process more expensive on Windows than Linux?

Answer 2

您的设置对于多处理并不真正公平。您甚至包括不必要的primes = None分配。 ;）

一些要点：

数据大小

您生成的数据可以用来减少流程创建的开销。尝试使用range(1_000_000)而不是range(5000)。在multiprocessing.start_method设置为“ spawn”（在Windows上为默认值）的Linux上，这会绘制不同的图片：

Concurrent test
Time: 0.957883
Number of primes: 89479

Sequential test
Time: 1.235785
Number of primes: 89479

Multiprocessing test
Time: 0.714775
Number of primes: 89479

重复使用您的泳池

只要您在以后要并行化的程序中保留了任何代码，就不要离开池的with-block。如果您一开始只创建一次池，那么将池创建完全纳入基准并没有多大意义。

脾气暴躁

Numpy的某些部分能够释放全局解释器锁（GIL）。这意味着，您可以从多核并行中受益，而无需创建进程。如果您仍在进行数学运算，请尝试尽可能多地使用numpy。使用numpy使用代码尝试concurrent.futures.ThreadPoolExecutor和multiprocessing.dummy.Pool。

使用Python的Windows上的并发/并行性

2 个答案: