Как заниматься параллельным программированием на Python?

Для C ++ мы можем использовать OpenMP для параллельного программирования; однако OpenMP не будет работать с Python. Что мне делать, если я хочу распараллелить некоторые части моей программы на Python?

Структуру кода можно рассматривать как:

solve1(A)
solve2(B)

Где solve1и solve2две независимые функции. Как запустить такой код параллельно, а не последовательно, чтобы сократить время выполнения? Код такой:

def solve(Q, G, n):
    i = 0
    tol = 10 ** -4

    while i < 1000:
        inneropt, partition, x = setinner(Q, G, n)
        outeropt = setouter(Q, G, n)

        if (outeropt - inneropt) / (1 + abs(outeropt) + abs(inneropt)) < tol:
            break
            
        node1 = partition[0]
        node2 = partition[1]
    
        G = updateGraph(G, node1, node2)

        if i == 999:
            print "Maximum iteration reaches"
    print inneropt

Где setinnerи setouterдве независимые функции. Вот где я хочу провести параллель ...

Вы можете использовать модуль многопроцессорности . В этом случае я мог бы использовать пул обработки:

from multiprocessing import Pool
pool = Pool()
result1 = pool.apply_async(solve1, [A])    # evaluate "solve1(A)" asynchronously
result2 = pool.apply_async(solve2, [B])    # evaluate "solve2(B)" asynchronously
answer1 = result1.get(timeout=10)
answer2 = result2.get(timeout=10)

Это вызовет процессы, которые могут выполнять за вас общую работу. Поскольку мы не прошли processes, он будет порождать по одному процессу для каждого ядра ЦП на вашем компьютере. Каждое ядро ​​ЦП может одновременно выполнять один процесс.

Если вы хотите сопоставить список с одной функцией, сделайте следующее:

args = [A, B]
results = pool.map(solve1, args)

Не используйте потоки, потому что GIL блокирует любые операции с объектами python.

Это можно сделать очень элегантно с помощью Ray .

Чтобы распараллелить ваш пример, вам нужно будет определить свои функции с помощью @ray.remoteдекоратора, а затем вызвать их с помощью .remote.

import ray

ray.init()

# Define the functions.

@ray.remote
def solve1(a):
    return 1

@ray.remote
def solve2(b):
    return 2

# Start two tasks in the background.
x_id = solve1.remote(0)
y_id = solve2.remote(1)

# Block until the tasks are done and get the results.
x, y = ray.get([x_id, y_id])

У этого есть ряд преимуществ по сравнению с многопроцессорным модулем.

1. Один и тот же код будет работать на многоядерной машине, а также на кластере машин.
2. Процессы эффективно обмениваются данными с помощью общей памяти и сериализации с нулевым копированием .
3. Сообщения об ошибках передаются красиво.

4. Эти вызовы функций могут быть составлены вместе, например,

   @ray.remote
   def f(x):
       return x + 1
   
   x_id = f.remote(1)
   y_id = f.remote(x_id)
   z_id = f.remote(y_id)
   ray.get(z_id)  # returns 4
   

5. Помимо удаленного вызова функций, классы могут быть созданы удаленно как акторы .

Обратите внимание, что Рэй - это фреймворк, который я помогал разрабатывать.

CPython использует глобальную блокировку интерпретатора, что делает параллельное программирование немного более интересным, чем C ++.

В этом разделе есть несколько полезных примеров и описаний задач:

Обходной путь Python Global Interpreter Lock (GIL) в многоядерных системах с использованием набора задач в Linux?

Решение, как говорили другие, состоит в использовании нескольких процессов. Однако какая структура более подходящая, зависит от многих факторов. Помимо уже упомянутых, есть еще charm4py и mpi4py (я разработчик charm4py).

Существует более эффективный способ реализовать приведенный выше пример, чем использование абстракции рабочего пула. Основной цикл Gснова и снова отправляет одни и те же параметры (включая полный график ) рабочим на каждой из 1000 итераций. Поскольку по крайней мере один рабочий будет находиться в другом процессе, это включает в себя копирование и отправку аргументов другому процессу (ам). Это может быть очень дорогостоящим в зависимости от размера объектов. Вместо этого имеет смысл, чтобы работники хранили состояние и просто отправляли обновленную информацию.

Например, в charm4py это можно сделать так:

class Worker(Chare):

    def __init__(self, Q, G, n):
        self.G = G
        ...

    def setinner(self, node1, node2):
        self.updateGraph(node1, node2)
        ...


def solve(Q, G, n):
    # create 2 workers, each on a different process, passing the initial state
    worker_a = Chare(Worker, onPE=0, args=[Q, G, n])
    worker_b = Chare(Worker, onPE=1, args=[Q, G, n])
    while i < 1000:
        result_a = worker_a.setinner(node1, node2, ret=True)  # execute setinner on worker A
        result_b = worker_b.setouter(node1, node2, ret=True)  # execute setouter on worker B

        inneropt, partition, x = result_a.get()  # wait for result from worker A
        outeropt = result_b.get()  # wait for result from worker B
        ...

Обратите внимание, что для этого примера нам действительно нужен только один рабочий. Основной цикл может выполнять одну из функций, а рабочий цикл - другую. Но мой код помогает проиллюстрировать пару вещей:

1. Рабочий A работает в процессе 0 (так же, как и в основном цикле). Пока result_a.get()он заблокирован в ожидании результата, рабочий A выполняет вычисления в том же процессе.
2. Аргументы автоматически передаются по ссылке работнику A, поскольку он находится в том же процессе (копирование не выполняется).

В некоторых случаях можно автоматически распараллеливать циклы с помощью Numba , хотя это работает только с небольшим подмножеством Python:

from numba import njit, prange

@njit(parallel=True)
def prange_test(A):
    s = 0
    # Without "parallel=True" in the jit-decorator
    # the prange statement is equivalent to range
    for i in prange(A.shape[0]):
        s += A[i]
    return s

К сожалению, кажется, что Numba работает только с массивами Numpy, но не с другими объектами Python. Теоретически также возможно скомпилировать Python в C ++, а затем автоматически распараллелить его с помощью компилятора Intel C ++ , хотя я еще не пробовал этого.

Вы можете использовать joblibбиблиотеку для параллельных вычислений и многопроцессорной обработки.

from joblib import Parallel, delayed

Вы можете просто создать функцию, fooкоторую хотите запускать параллельно и на основе следующего фрагмента кода реализовать параллельную обработку:

output = Parallel(n_jobs=num_cores)(delayed(foo)(i) for i in input)

Где num_coresможно получить из multiprocessingбиблиотеки:

import multiprocessing

num_cores = multiprocessing.cpu_count()

Если у вас есть функция с более чем одним входным аргументом, и вы просто хотите перебрать один из аргументов по списку, вы можете использовать partialфункцию из functoolsбиблиотеки следующим образом:

from joblib import Parallel, delayed
import multiprocessing
from functools import partial
def foo(arg1, arg2, arg3, arg4):
    '''
    body of the function
    '''
    return output
input = [11,32,44,55,23,0,100,...] # arbitrary list
num_cores = multiprocessing.cpu_count()
foo_ = partial(foo, arg2=arg2, arg3=arg3, arg4=arg4)
# arg1 is being fetched from input list
output = Parallel(n_jobs=num_cores)(delayed(foo_)(i) for i in input)

Вы можете найти полное объяснение многопроцессорности python и R с парой примеров здесь .