编写并行循环

Question

我试图在一个简单的例子上运行并行循环。
我究竟做错了什么？

from joblib import Parallel, delayed  
import multiprocessing

def processInput(i):  
        return i * i

if __name__ == '__main__':

    # what are your inputs, and what operation do you want to 
    # perform on each input. For example...
    inputs = range(1000000)      

    num_cores = multiprocessing.cpu_count()

    results = Parallel(n_jobs=4)(delayed(processInput)(i) for i in inputs) 

    print(results)

代码的问题在于，当在Python 3中的Windows环境下执行时，它会打开num_cores python实例来执行并行作业，但只有一个是活动的。 这不应该是这种情况，因为处理器的活动应该是100％而不是14％（在i7-8个逻辑核心下）。

为什么额外的实例没有做任何事情？

Answer 1

继续请求提供有效的多处理代码，我建议你使用pool_map （如果延迟功能并不重要），我会给你一个例子，如果你正在使用python3，值得一提的是你可以使用starmap 。 另外值得一提的是，如果返回结果的顺序不必与输入顺序相对应，则可以使用map_sync / starmap_async。

import multiprocessing as mp

def processInput(i):
        return i * i

if __name__ == '__main__':

    # what are your inputs, and what operation do you want to
    # perform on each input. For example...
    inputs = range(1000000)
    #  removing processes argument makes the code run on all available cores
    pool = mp.Pool(processes=4)
    results = pool.map(processInput, inputs)
    print(results)

Answer 2

在Windows上，多处理模块使用'spawn'方法启动多个python解释器进程。 这个比较慢。 并行尝试运行代码时要聪明。 特别是，它会尝试调整批量大小，因此批量执行大约需要半秒钟。 （参见https://pythonhosted.org/joblib/parallel.html上的batch_size参数）

您的processInput()函数运行得如此之快，以至于Parallel确定在一个处理器上串行运行作业比启动多个python解释器并并行运行代码更快。

如果要强制示例在多个核心上运行，请尝试将batch_size设置为1000或使processInput()更复杂，因此执行时间更长。

编辑：窗口上的工作示例，显示正在使用的多个进程（我正在使用Windows 7）：

from joblib import Parallel, delayed
from os import getpid

def modfib(n):
    # print the process id to see that multiple processes are used, and
    # re-used during the job.
    if n%400 == 0:
        print(getpid(), n)  

    # fibonacci sequence mod 1000000
    a,b = 0,1
    for i in range(n):
        a,b = b,(a+b)%1000000
    return b

if __name__ == "__main__":
    Parallel(n_jobs=-1, verbose=5)(delayed(modfib)(j) for j in range(1000, 4000))