


So führen Sie zwei asynchrone Funktionen für immer in Python aus
Asynchrone Funktionen, auch Coroutinen genannt, sind Funktionen, die während der Ausführung angehalten und fortgesetzt werden können. In Python bietet das Asyncio-Modul ein leistungsstarkes Framework zum Schreiben von gleichzeitigem Code mithilfe von Coroutinen, bei denen es sich um spezielle Funktionen handelt, die angehalten und fortgesetzt werden können. In diesem Artikel erfahren Sie, wie Sie mithilfe von Asyncio zwei asynchrone Funktionen für immer in Python ausführen.
Asynchrone Funktion
Asynchrone Funktionen, auch Coroutinen genannt, sind Funktionen, die während der Ausführung angehalten und fortgesetzt werden können. Sie ermöglichen die gleichzeitige Ausführung von Code, ohne den Hauptthread zu blockieren, und ermöglichen so eine effiziente Nutzung der Systemressourcen.
Um eine asynchrone Funktion in Python zu definieren, verwenden wir das Schlüsselwort async vor der def-Anweisung. In einer asynchronen Funktion können wir das Schlüsselwort „await“ verwenden, um die Ausführung anzuhalten und auf den Abschluss einer anderen asynchronen Funktion oder Coroutine zu warten.
Methode 1 – Asyncio-Modul verwenden
Das Asyncio-Modul in Python bietet ein Framework zum Schreiben von gleichzeitigem Single-Thread-Code mithilfe von Coroutinen, zum Multiplexen des E/A-Zugriffs über Sockets und andere Ressourcen, zum Ausführen von Netzwerk-Clients und -Servern sowie für andere damit verbundene Vorgänge. Es ermöglicht uns, asynchronen Code strukturiert und organisiert zu schreiben.Grammatik
Here, the asyncio.get_event_loop() function is used to retrieve the current event loop or create a new one if none exists.
Beispiel
Im Beispiel für Funktion 1 unten haben wir eine Endlosschleife, die „Funktion 1“ ausgibt und dann mit „await asyncio.sleep(1)“ eine Sekunde lang pausiert. Ebenso verfügt Funktion2 über eine Endlosschleife, die „Funktion 2“ ausgibt und 2 Sekunden lang pausiert. Durch den Aufruf von asyncio.gather(function1(), function2()) in der Hauptfunktion weisen wir die Ereignisschleife an, beide Funktionen gleichzeitig auszuführen. Die Funktion asyncio.gather ist für die verschachtelte Planung und Ausführung dieser beiden Funktionen verantwortlich. Wenn wir das Python-Skript ausführen, läuft die Ereignisschleife unbegrenzt und führt wiederholt Funktion1 und Funktion2 aus. Die Ausgabe zeigt dieses Verhalten, wobei Nachrichten von beiden Funktionen basierend auf ihren jeweiligen Zeitintervallen verschachtelt gedruckt werden.
import asyncio async def function1(): while True: print("Function 1") await asyncio.sleep(1) # Pause execution for 1 second async def function2(): while True: print("Function 2") await asyncio.sleep(2) # Pause execution for 2 seconds async def main(): await asyncio.gather(function1(), function2()) if __name__ == "__main__": loop = asyncio.get_event_loop() try: loop.run_until_complete(main()) finally: loop.close()
Ausgabe
Function 1 Function 2 Function 1 Function 2 Function 1 Function 1 Function 2 Function 1 Function 1 . . .
Methode 1 – Threads verwenden
Threads sind leichtgewichtig und ermöglichen die gleichzeitige Ausführung mehrerer Aufgaben in einem einzigen Prozess. Bei dieser Methode verwenden wir das Thread-Modul, um zwei asynchrone Funktionen für immer auszuführen.
Grammatik
thread1 = threading.Thread(target=async_function1)
Beispiel
Im folgenden Beispiel haben wir zwei asynchrone Funktionen: async_function1 und async_function2.
async_function1 verwendet time.sleep(1), um jede Sekunde „Async function 1“ zu drucken.
async_function2 verwendet time.sleep(2), um alle zwei Sekunden „Async function 2“ zu drucken.
Wir erstellen zwei Threads, Thread1 und Thread2, für async_function1 bzw. async_function2. Die Thread-Klasse im Thread-Modul wird zum Erstellen und Verwalten von Threads verwendet. Dann starten wir zwei Threads mit der Methode start(). Dadurch wird die Ausführung asynchroner Funktionen in separaten Threads gestartet, sodass diese gleichzeitig ausgeführt werden können.
import threading import time def async_function1(): while True: print("Async function 1") time.sleep(1) def async_function2(): while True: print("Async function 2") time.sleep(2) thread1 = threading.Thread(target=async_function1) thread2 = threading.Thread(target=async_function2) thread1.start() thread2.start() while True: pass
Ausgabe
Die Ausgabe dieses Beispiels gibt kontinuierlich jede Sekunde „Async-Funktion 1“ und alle zwei Sekunden „Async-Funktion 2“ aus. Dieser Code startet zwei Threads, von denen jeder seine eigene asynchrone Funktion ausführt. Der Hauptthread wird durch eine Endlosschleife am Leben gehalten, damit andere Threads unbegrenzt ausgeführt werden können.
Async function 1 Async function 1 Async function 2 Async function 1 Async function 1 Async function 2 Async function 1 Async function 1 Async function 2
Methode 3 – Unterprozess verwenden
Unterprozesse sind unabhängige Prozesse, die in Python-Programmen erstellt und verwaltet werden können. Bei dieser Methode verwenden wir das Unterprozessmodul, um zwei asynchrone Funktionen für immer auszuführen.
Grammatik
subprocess.Popen(args, bufsize=-1, executable=None)
Hier,
args (erforderlich): Dieser Parameter gibt den auszuführenden Befehl an. Es kann eine Zeichenfolge oder eine Folge von Zeichenfolgen sein.
bufsize: Dieser Parameter stellt die Puffergröße dar, die für E/A-Vorgänge verwendet wird. Der Standardwert ist -1, was bedeutet, dass die Standardpuffergröße des Systems verwendet wird.
bufsize: Dieser Parameter stellt die Puffergröße dar, die für E/A-Vorgänge verwendet wird. Der Standardwert ist -1, was bedeutet, dass die Standardpuffergröße des Systems verwendet wird.
Beispiel
In diesem Beispiel haben wir zwei identische asynchrone Funktionen: async_function1 und async_function2.
async_function1 verwendet time.sleep(1), um jede Sekunde „Async function 1“ zu drucken.
async_function2 verwendet time.sleep(2), um alle zwei Sekunden „Async function 2“ zu drucken.
Wir verwenden die Klasse subprocess.Popen im Subprocess-Modul, um Unterprozesse anstelle von Threads zu erstellen. Jeder untergeordnete Prozess wird durch die Ausführung eines separaten Python-Prozesses erstellt, der die entsprechende asynchrone Funktion ausführt. Der Unterprozess wird mit dem Konstruktor subprocess.Popen erstellt und wir übergeben den Python-Befehl, um die erforderliche Funktion auszuführen. Beispielsweise führt ['python', '-c', 'from module import async_function1; async_function1()'] async_function1 von einem separaten Python-Prozess aus.
import subprocess import time def async_function1(): while True: print("Async function 1") time.sleep(1) def async_function2(): while True: print("Async function 2") time.sleep(2) subprocess1 = subprocess.Popen(['python', '-c', 'from module import async_function1; async_function1()']) subprocess2 = subprocess.Popen(['python', '-c', 'from module import async_function2; async_function2()']) while True: pass
Ausgabe
Die Ausgabe dieses Beispiels gibt kontinuierlich jede Sekunde „Async-Funktion 1“ und alle zwei Sekunden „Async-Funktion 2“ aus. Dieser Code erstellt zwei untergeordnete Prozesse, von denen jeder seine eigene asynchrone Funktion ausführt. Der Hauptprozess wird über eine Endlosschleife am Leben gehalten, damit untergeordnete Prozesse unbegrenzt ausgeführt werden können.
Async function 1 Async function 1 Async function 2 Async function 1 Async function 1 Async function 2 Async function 1 Async function 1 Async function 2
结论
在本文中,我们讨论了如何使用 Python 中的 asyncio 模块在 Python 中永久运行两个异步函数。使用 asyncio 进行异步编程为编写高性能和响应式 Python 应用程序开辟了新的可能性。通过利用异步函数和事件循环,您可以利用并发的力量并有效地管理多个任务。
Das obige ist der detaillierte Inhalt vonSo führen Sie zwei asynchrone Funktionen für immer in Python aus. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



PHP und Python haben ihre eigenen Vor- und Nachteile, und die Wahl hängt von den Projektbedürfnissen und persönlichen Vorlieben ab. 1.PHP eignet sich für eine schnelle Entwicklung und Wartung großer Webanwendungen. 2. Python dominiert das Gebiet der Datenwissenschaft und des maschinellen Lernens.

Python und JavaScript haben ihre eigenen Vor- und Nachteile in Bezug auf Gemeinschaft, Bibliotheken und Ressourcen. 1) Die Python-Community ist freundlich und für Anfänger geeignet, aber die Front-End-Entwicklungsressourcen sind nicht so reich wie JavaScript. 2) Python ist leistungsstark in Bibliotheken für Datenwissenschaft und maschinelles Lernen, während JavaScript in Bibliotheken und Front-End-Entwicklungsbibliotheken und Frameworks besser ist. 3) Beide haben reichhaltige Lernressourcen, aber Python eignet sich zum Beginn der offiziellen Dokumente, während JavaScript mit Mdnwebdocs besser ist. Die Wahl sollte auf Projektbedürfnissen und persönlichen Interessen beruhen.

Aktivieren Sie die Pytorch -GPU -Beschleunigung am CentOS -System erfordert die Installation von CUDA-, CUDNN- und GPU -Versionen von Pytorch. Die folgenden Schritte führen Sie durch den Prozess: Cuda und Cudnn Installation Bestimmen Sie die CUDA-Version Kompatibilität: Verwenden Sie den Befehl nvidia-smi, um die von Ihrer NVIDIA-Grafikkarte unterstützte CUDA-Version anzuzeigen. Beispielsweise kann Ihre MX450 -Grafikkarte CUDA11.1 oder höher unterstützen. Download und installieren Sie Cudatoolkit: Besuchen Sie die offizielle Website von Nvidiacudatoolkit und laden Sie die entsprechende Version gemäß der höchsten CUDA -Version herunter und installieren Sie sie, die von Ihrer Grafikkarte unterstützt wird. Installieren Sie die Cudnn -Bibliothek:

Docker verwendet Linux -Kernel -Funktionen, um eine effiziente und isolierte Anwendungsumgebung zu bieten. Sein Arbeitsprinzip lautet wie folgt: 1. Der Spiegel wird als schreibgeschützte Vorlage verwendet, die alles enthält, was Sie für die Ausführung der Anwendung benötigen. 2. Das Union File System (UnionFS) stapelt mehrere Dateisysteme, speichert nur die Unterschiede, speichert Platz und beschleunigt. 3. Der Daemon verwaltet die Spiegel und Container, und der Kunde verwendet sie für die Interaktion. 4. Namespaces und CGroups implementieren Container -Isolation und Ressourcenbeschränkungen; 5. Mehrere Netzwerkmodi unterstützen die Containerverbindung. Nur wenn Sie diese Kernkonzepte verstehen, können Sie Docker besser nutzen.

Minio-Objektspeicherung: Hochleistungs-Bereitstellung im Rahmen von CentOS System Minio ist ein hochleistungsfähiges, verteiltes Objektspeichersystem, das auf der GO-Sprache entwickelt wurde und mit Amazons3 kompatibel ist. Es unterstützt eine Vielzahl von Kundensprachen, darunter Java, Python, JavaScript und Go. In diesem Artikel wird kurz die Installation und Kompatibilität von Minio zu CentOS -Systemen vorgestellt. CentOS -Versionskompatibilitätsminio wurde in mehreren CentOS -Versionen verifiziert, einschließlich, aber nicht beschränkt auf: CentOS7.9: Bietet einen vollständigen Installationshandbuch für die Clusterkonfiguration, die Umgebungsvorbereitung, die Einstellungen von Konfigurationsdateien, eine Festplattenpartitionierung und Mini

Pytorch Distributed Training on CentOS -System erfordert die folgenden Schritte: Pytorch -Installation: Die Prämisse ist, dass Python und PIP im CentOS -System installiert sind. Nehmen Sie abhängig von Ihrer CUDA -Version den entsprechenden Installationsbefehl von der offiziellen Pytorch -Website ab. Für CPU-Schulungen können Sie den folgenden Befehl verwenden: PipinstallTorChTorChVisionTorChaudio Wenn Sie GPU-Unterstützung benötigen, stellen Sie sicher, dass die entsprechende Version von CUDA und CUDNN installiert ist und die entsprechende Pytorch-Version für die Installation verwenden. Konfiguration der verteilten Umgebung: Verteiltes Training erfordert in der Regel mehrere Maschinen oder mehrere Maschinen-Mehrfach-GPUs. Ort

Bei der Installation von PyTorch am CentOS -System müssen Sie die entsprechende Version sorgfältig auswählen und die folgenden Schlüsselfaktoren berücksichtigen: 1. Kompatibilität der Systemumgebung: Betriebssystem: Es wird empfohlen, CentOS7 oder höher zu verwenden. CUDA und CUDNN: Pytorch -Version und CUDA -Version sind eng miteinander verbunden. Beispielsweise erfordert Pytorch1.9.0 CUDA11.1, während Pytorch2.0.1 CUDA11.3 erfordert. Die Cudnn -Version muss auch mit der CUDA -Version übereinstimmen. Bestimmen Sie vor der Auswahl der Pytorch -Version unbedingt, dass kompatible CUDA- und CUDNN -Versionen installiert wurden. Python -Version: Pytorch Official Branch

Das Aktualisieren von PyTorch auf der neuesten Version von CentOS kann die folgenden Schritte ausführen: Methode 1: Aktualisieren von PIP mit PIP: Stellen Sie zunächst sicher, dass Ihr PIP die neueste Version ist, da ältere Versionen von PIP möglicherweise nicht in der Lage sind, die neueste Version von PyTorch ordnungsgemäß zu installieren. Pipinstall-upgradePip Die alte Version von Pytorch (falls installiert): PipuninstallTorChTorChVisionTorChaudio-Installation Neueste
