如何在 for 循环中使用 Python 中的多处理来生成嵌套字典？

Question

我目前正在生成一个嵌套字典，它通过使用嵌套的 for 循环来保存一些 arrays。 不幸的是，这需要相当长的时间。 我意识到我正在使用的服务器有几个可用的内核，所以我想知道 Python 的多处理库是否有助于加快字典的创建。

嵌套的 for 循环看起来像这样（实际的计算量更大、更复杂）：

import numpy as np

data_dict = {}
for s in range(1,5):
    data_dict[s] = {}
    for d in range(1,5):
        if s * d > 4:
            data_dict[s][d] = np.zeros((s,d))
        else:
            data_dict[s][d] = np.ones((s,d))

所以这就是我尝试的：

from multiprocessing import Pool
import numpy as np

data_dict = {}
def process():
    #sci=fits.open('{}.fits'.format(name))
    for s in range(1,5):
        data_dict[s] = {}
        for d in range(1,5):
            if s * d > 4:
                data_dict[s][d] = np.zeros((s,d))
            else:
                data_dict[s][d] = np.ones((s,d))

if __name__ == '__main__':
    pool = Pool()                         # Create a multiprocessing Pool
    pool.map(process)  

但是 pool.map （最后一行）似乎需要一个可迭代的，我不知道在那里插入什么。

Answer 1

在我看来，真正的问题是需要什么样的处理来计算字典的条目以及有多少条目。

这种处理对于理解multiprocessing处理是否可以显着加快字典的创建至关重要。 如果您的计算受 I/O 限制，则应使用多线程，而如果受 CPU 限制，则应使用多处理。 你可以在这里找到更多关于这个的信息。

假设每个条目的值可以独立计算并且这种计算受 CPU 限制，让我们对单进程和多进程实现（基于multiprocessing库）之间的差异进行基准测试。

以下代码用于在某些场景中测试这两种方法，改变每个条目所需的计算复杂度和条目数（对于多进程实现，使用了 7 个进程）。

import timeit
import numpy as np

def some_fun(s, d, n=1):
    """A function with an adaptable complexity"""
    a = s * np.ones(np.random.randint(1, 10, (2,))) / (d + 1)
    for _ in range(n):
        a += np.random.random(a.shape)
    return a

# Code to create dictionary with only one process
setup_simple = "from __main__ import some_fun, n_first_level, n_second_level, complexity"

code_simple = """
data_dict = {}
for s in range(n_first_level):
    data_dict[s] = {}
    for d in range(n_second_level):
        data_dict[s][d] = some_fun(s, d, n=complexity)
"""

# Code to create a dictionary with multiprocessing: we are going to use all the available cores except 1
setup_mp = """import numpy as np
import multiprocessing as mp
import itertools
from functools import partial
from __main__ import some_fun, n_first_level, n_second_level, complexity

n_processes = mp.cpu_count() - 1
# Uncomment if you want to know how many concurrent processes are you going to use
# print(f'{n_processes} concurrent processes')
"""

code_mp = """
with mp.Pool(processes=n_processes) as pool:
    dict_values = pool.starmap(partial(some_fun, n=complexity), itertools.product(range(n_first_level), range(n_second_level)))
data_dict = {
    k: dict(zip(range(n_second_level), dict_values[k * n_second_level: (k + 1) * n_second_level]))
    for k in range(n_first_level)
}
"""

# Time the code with different settings
print('Execution time on 10 repetitions: mean [std]')
for label, complexity, n_first_level, n_second_level in (
    ("TRIVIAL FUNCTION", 0, 10, 10),
    ("TRIVIAL FUNCTION", 0, 500, 500),
    ("SIMPLE FUNCTION", 5, 500, 500),
    ("COMPLEX FUNCTION", 50, 100, 100),
    ("HEAVY FUNCTION", 1000, 10, 10),
):
    print(f'\n{label}, {n_first_level * n_second_level} dictionary entries')
    for l, t in (
        ('Single process', timeit.repeat(stmt=code_simple, setup=setup_simple, number=1, repeat=10)),
        ('Multiprocess', timeit.repeat(stmt=code_mp, setup=setup_mp, number=1, repeat=10)),
    ):
        print(f'\t{l}: {np.mean(t):.3e} [{np.std(t):.3e}] seconds')

这些是结果：

Execution time on 10 repetitions: mean [std]

TRIVIAL FUNCTION, 100 dictionary entries
    Single process: 7.752e-04 [7.494e-05] seconds
    Multiprocess: 1.163e-01 [2.024e-03] seconds

TRIVIAL FUNCTION, 250000 dictionary entries
    Single process: 7.077e+00 [7.098e-01] seconds
    Multiprocess: 1.383e+00 [7.752e-02] seconds

SIMPLE FUNCTION, 250000 dictionary entries
    Single process: 1.405e+01 [1.422e+00] seconds
    Multiprocess: 2.858e+00 [5.742e-01] seconds

COMPLEX FUNCTION, 10000 dictionary entries
    Single process: 1.557e+00 [4.330e-02] seconds
    Multiprocess: 5.383e-01 [5.330e-02] seconds

HEAVY FUNCTION, 100 dictionary entries
    Single process: 3.181e-01 [5.026e-03] seconds
    Multiprocess: 1.171e-01 [2.494e-03] seconds

如您所见，假设您有一个 CPU 受限计算，多进程方法在大多数情况下都能获得更好的结果。 仅当您对每个条目的计算量非常轻和/或条目数量非常有限时，才应首选单进程方法。

另一方面， multiprocessing提供的改进是有代价的：例如，如果您对每个条目的计算使用大量的 memory，则可能会导致OutOfMemory错误，这意味着您必须改进代码并使其更多避免它的复杂性，在 memory 占用和执行时间减少之间找到适当的平衡。 如果您环顾四周，有很多问题在询问如何解决由于multiprocessing的非最佳使用而导致的 memory 问题。 换句话说，这意味着您的代码将不太容易阅读和维护。

总而言之，您应该判断执行时间的改进是否值得，即使有可能。