使用Python在Windows上實現並發/並行

Question

我開發了簡單的程序來解決八個皇后問題。 現在我想用不同的元參數做更多的測試，所以我想快速完成。 我經歷了幾次分析迭代，並且能夠顯着減少運行時間，但我達到了我認為只有部分計算同時可以使它更快的程度。 我嘗試使用multiprocessing和concurrent.futures模塊，但它並沒有大大改善運行時間，在某些情況下甚至減慢了執行速度。 那只是給出一些背景。

我能夠提出類似的代碼結構，其中順序版本節拍並發。

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()

當我在我的機器上運行它 - Windows 7，帶有四個核心的英特爾酷睿i5時，我得到了以下輸出：

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
--

我有現在的問題是我是否可以通過同時運行在Windows上獲得某種更快Python 3.6.4 |Anaconda, Inc.| 。 我在這里閱讀SO（ 為什么在Windows上創建比Linux更昂貴的新流程？ ），在Windows上創建新流程的成本很高。 有什么辦法可以加快速度嗎？ 我錯過了一些明顯的東西嗎

我也嘗試過只創建一次Pool ，但似乎沒什么幫助。

---

編輯：

原始代碼結構看起來或多或少像：

我的代碼結構或多或少像這樣：

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()

與foos有1000元素。 不可能事先告訴算法收斂的速度和執行的迭代次數，可能是數千次。

Answer 1

UNIX變體下的進程更輕量級。 Windows進程很繁重，需要更多時間才能啟動。 線程是在Windows上進行多處理的推薦方法。 您也可以關注此主題： 為什么在Windows上創建比Linux更昂貴的新流程？

Answer 2

您的設置對多處理來說並不公平。 你甚至包括不必要的primes = None分配。 ;）

一些要點：

---

數據大小

您生成的數據可以用於獲取流程創建的開銷。 嘗試使用range(1_000_000)而不是range(5000) 。 在Linux上將multiprocessing.start_method設置為'spawn'（在Windows上為默認值），這將繪制不同的圖片：

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

---

重新使用你的游泳池

只要在程序中留下要稍后並行化的代碼，就不要離開池的with-block。 如果您在開始時僅創建一次池，則根本不包括將池創建到基准測試中。

---

NumPy的

Numpy部分能夠發布全局解釋器鎖（ GIL ）。 這意味着，您可以從多核並行性中受益，而無需創建進程的開銷。 無論如何，如果你正在做數學，盡量使用numpy。 嘗試使用numpy的concurrent.futures.ThreadPoolExecutor和multiprocessing.dummy.Pool代碼。