Der Inhalt dieses Artikels ist eine detaillierte Einführung (Codebeispiel) über Multiprozesse in Python. Ich hoffe, dass er für Sie hilfreich ist.
In diesem Abschnitt geht es um das Erlernen des Multiprozesses von Python.
Multiprozess Multiprocessing Sie werden beide für 并行 Operationen in Python verwendet Warum gibt es Threading? Der Grund dafür ist ganz einfach: Es dient dazu, einige Nachteile des Threadings auszugleichen, wie im Threading-Tutorial erwähnt.GIL
import multiprocessing as mp
import threading as td
def job(a,d):
print('aaaaa')
t1 = td.Thread(target=job,args=(1,2))
p1 = mp.Process(target=job,args=(1,2))
t1.start()
p1.start()
t1.join()
p1.join()if __name__=='__main__':
# -*- coding:utf-8 -*- """ @author: Corwien @file: process_test.py @time: 18/8/26 01:12 """ import multiprocessing as mp def job(a, d): print a, d if __name__ == '__main__': p1 = mp.Process(target=job, args=(1, 2)) p1.start() p1.join()
➜ baseLearn python ./process/process_test.py 1 2 ➜ baseLearn
process_queue.py
# -*- coding:utf-8 -*- """ @author: Corwien @file: process_queue.py @time: 18/8/26 01:12 """ import multiprocessing as mp # 定义一个被多线程调用的函数，q 就像一个队列，用来保存每次函数运行的结果 def job(q): res = 0 for i in range(1000): res += i + i**2 + i**3 q.put(res) #queue if __name__ == '__main__': q = mp.Queue() p1 = mp.Process(target=job, args=(q,)) p2 = mp.Process(target=job, args=(q,)) # 分别启动、连接两个线程 p1.start() p2.start() p1.join() p2.join() # 上面是分两批处理的，所以这里分两批输出，将结果分别保存 res1 = q.get() res2 = q.get() print res1,res2
➜ python ./process/process_queue.py 249833583000 249833583000
bedeutet, dass wir die Dinge, die wir ausführen möchten, in den Pool legen, 进程池. Python会自行解决多进程的问题
und definieren Sie import multiprocessingjob()
import multiprocessing as mp def job(x): return x*x
pool = mp.Pool()
PoolNachdem wir einen Pool haben, können wir dafür sorgen, dass der Pool einer bestimmten Funktion entspricht. Wir werfen Daten in den Pool und der Pool gibt den von zurückgegebenen Wert zurück die Funktion. Der Unterschied zwischen und dem vorherigen besteht darin, dass die von Pool in den Pool geworfene Funktion einen Rückgabewert Process的 hat, während das von keinen Rückgabewert Process hat . Als nächstes verwenden Sie
müssen Sie die Funktion und den Wert eingeben, der iteriert werden muss. Anschließend wird er automatisch dem CPU-Kern zugewiesen und das Ergebnis wird zurückgegeben. map()
res = pool.map(job, range(10))
map() Lassen Sie uns def multicore(): pool = mp.Pool() res = pool.map(job, range(10)) print(res) if __name__ == '__main__': multicore()
ausführen, um den Code zu vervollständigen:
# -*- coding:utf-8 -*- """ @author: Corwien @file: process_queue.py @time: 18/8/26 01:12 """ import multiprocessing as mp def job(x): return x*x # 注意这里的函数有return返回值 def multicore(): pool = mp.Pool() res = pool.map(job, range(10)) print(res) if __name__ == '__main__': multicore()
Benutzerdefinierte Anzahl von Kernen
Woher wissen wir, ob
tatsächlich mehrere Kerne aufgerufen werden? Wir können die Anzahl der Iterationen erhöhen und dann die CPU-Auslastung öffnen, um den CPU-Betrieb zu sehenCPU-Auslastung öffnen (Mac): Aktivitätsmonitor>CPU>CPU-Auslastung (ein Klick)Pool Die Standardgröße des Pools ist die Anzahl der Kerne der CPU. Wir können die erforderliche Anzahl von Kernen auch anpassen, indem wir den Parameter
➜ baseLearn python ./process/process_pool.py [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
PoolZusätzlich zu processes gibt es eine andere Möglichkeit, Ergebnisse zurückzugeben, nämlich
In Pool kann map() nur einen Wert übergeben , es wird nur ein Kern für die Eingabe eingegeben, aber wenn Sie den Wert übergeben, beachten Sie bitte, dass er iterierbar ist. Sie müssen also nach dem eingehenden Wert ein Komma hinzufügen und die Methode get () verwenden, um den Wert zu erhalten Rückgabewert apply_async()
def multicore(): pool = mp.Pool(processes=3) # 定义CPU核数量为3 res = pool.map(job, range(10)) print(res)
laufendes Ergebnis ;apply_async()
def multicore(): pool = mp.Pool() res = pool.map(job, range(10)) print(res) res = pool.apply_async(job, (2,)) # 用get获得结果 print(res.get())
Pool Geben Sie Iterationsparameter ein und geben Sie mehrere Ergebnisse zurück
map()Das ist möglich Geben Sie nur einen Parametersatz ein und geben Sie ein Ergebnis zurück. Wenn Sie map() erhalten möchten, muss der Effekt durch
5. Shared Memory Shared Memory apply_async() In diesem Abschnitt lernen wir, wie man Shared Memory definiert.
können wir die Daten in einer Shared-Memory-Tabelle speichern. 只有用共享内存才能让CPU之间有交流
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81] # map() 4 # apply_async()
stellt einen Gleitkommatyp mit doppelter Genauigkeit dar, und Value stellt einen vorzeichenbehafteten
| Type code | C Type | Python Type | Minimum size in bytes |
|---|---|---|---|
'b' |
signed char | int | 1 |
'B' |
unsigned char | int | 1 |
'u' |
Py_UNICODE | Unicode character | 2 |
'h' |
signed short | int | 2 |
'H' |
unsigned short | int | 2 |
'i' |
signed int | int | 2 |
'I' |
unsigned int | int | 2 |
'l' |
signed long | int | 4 |
'L' |
unsigned long | int | 4 |
'q' |
signed long long | int | 8 |
'Q' |
unsigned long long | int | 8 |
'f' |
float | float | 4 |
'd' |
double | float | 8 |
在Python的 mutiprocessing 中，有还有一个Array类，可以和共享内存交互，来实现在进程之间共享数据。
array = mp.Array('i', [1, 2, 3, 4])这里的Array和numpy中的不同，它只能是一维的，不能是多维的。同样和Value 一样，需要定义数据形式，否则会报错。 我们会在后一节举例说明这两种的使用方法.
错误形式
array = mp.Array('i', [[1, 2], [3, 4]]) # 2维list
"""
TypeError: an integer is required
"""让我们看看没有加进程锁时会产生什么样的结果。
# -*- coding:utf-8 -*-
"""
@author: Corwien
@file: process_no_lock.py
@time: 18/8/26 09:22
"""
import multiprocessing as mp
import time
def job(v, num):
for _ in range(5):
time.sleep(0.5) # 暂停0.5秒，让输出效果更明显
v.value += num # v.value获取共享变量值
print(v.value)
def multicore():
v = mp.Value('i', 0) # 定义共享变量
p1 = mp.Process(target=job, args=(v, 1))
p2 = mp.Process(target=job, args=(v, 4)) # 设定不同的number看如何抢夺内存
p1.start()
p2.start()
p1.join()
p2.join()
if __name__ == '__main__':
multicore()在上面的代码中，我们定义了一个共享变量v，两个进程都可以对它进行操作。 在job()中我们想让v每隔0.1秒输出一次累加num的结果，但是在两个进程p1和p2 中设定了不同的累加值。所以接下来让我们来看下这两个进程是否会出现冲突。
结果打印：
➜ baseLearn python ./process/process_no_lock.py 1 5 9 9 13 13 17 17 18 18 ➜ baseLearn
我们可以看到，进程1和进程2在相互抢着使用共享内存v。
为了解决上述不同进程抢共享资源的问题，我们可以用加进程锁来解决。
首先需要定义一个进程锁
l = mp.Lock() # 定义一个进程锁
然后将进程锁的信息传入各个进程中
p1 = mp.Process(target=job, args=(v,1,l)) # 需要将Lock传入 p2 = mp.Process(target=job, args=(v,3,l))
在job()中设置进程锁的使用，保证运行时一个进程的对锁内内容的独占
def job(v, num, l): l.acquire() # 锁住 for _ in range(5): time.sleep(0.1) v.value += num # v.value获取共享内存 print(v.value) l.release() # 释放
全部代码：
# -*- coding:utf-8 -*-
"""
@author: Corwien
@file: process_lock.py
@time: 18/8/26 09:22
"""
import multiprocessing as mp
import time
def job(v, num, l):
l.acquire() # 锁住
for _ in range(5):
time.sleep(0.5) # 暂停0.5秒，让输出效果更明显
v.value += num # v.value获取共享变量值
print(v.value)
l.release() # 释放
def multicore():
l = mp.Lock() # 定义一个进程锁
v = mp.Value('i', 0) # 定义共享变量
p1 = mp.Process(target=job, args=(v, 1, l)) # 需要将lock传入
p2 = mp.Process(target=job, args=(v, 4, l)) # 设定不同的number看如何抢夺内存
p1.start()
p2.start()
p1.join()
p2.join()
if __name__ == '__main__':
multicore()运行一下，让我们看看是否还会出现抢占资源的情况：
结果打印：
➜ baseLearn python ./process/process_lock.py 1 2 3 4 5 9 13 17 21 25
显然，进程锁保证了进程p1的完整运行，然后才进行了进程p2的运行
相关推荐：
Das obige ist der detaillierte Inhalt vonDetaillierte Einführung in Multiprozesse in Python (Codebeispiel). Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
