


Analyse des malentendus sur l'utilisation du blocage (join) et du verrouillage (Lock) dans le multithreading Python
Cet article est principalement destiné à chacun de détailler Il introduit des malentendus sur le blocage de la jointure et du verrouillage dans le multithread Python, qui a une certaine valeur de référence. Les amis intéressés peuvent se référer à
À propos du blocage du fil principal
Incorrect. utilisation des fonctions join
Thread.join() pour bloquer le thread principal, c'est-à-dire que lorsque le thread enfant ne revient pas, le thread principal attend son retour avant de continuer l'exécution.
La jointure ne peut pas être utilisée avec un démarrage en boucle
Ce qui suit est le code d'erreur. Le code crée 5 threads, puis utilise une boucle pour activer les threads. Après activation, il bloque le thread principal.
threads = [Thread() for i in range(5)] for thread in threads: thread.start() thread.join()
Processus d'exécution :
1. Dans la première boucle, le thread principal active le thread 1 via la fonction start, et le thread 1 effectue les calculs.
2. Puisque la fonction start ne bloque pas le thread principal, pendant que le thread 1 effectue des opérations, le thread principal exécute la fonction de jointure vers le bas
3. est bloqué par le thread 1. Avant que le thread 1 ne renvoie le résultat, le thread principal ne peut pas exécuter le cycle suivant
4. Une fois le calcul terminé, débloquez le thread principal
5. le cycle suivant, active le thread 2 et est bloqué par celui-ci...
En faisant des allers-retours ainsi, on voit que les cinq threads qui étaient censés être concurrents sont ici devenus des files d'attente séquentielles, et l'efficacité est la même que celle d'un seul thread.
L'utilisation correcte de join
Utilisez deux boucles pour traiter le start et join fonctions respectivement. La concurrence peut être obtenue.
threads = [Thread() for i in range(5)] for thread in threads: thread.start() for thread in threads: thread.join()
time.sleep remplace join pour le débogage
J'ai J'ai déjà vu un tel code dans certains projets, en utilisant time.sleep au lieu de join pour bloquer manuellement le thread principal
Avant le retour de tous les threads enfants, le thread principal tombe dans une boucle sans fin et ne peut pas sortir.
for thread in threads: thread.start() while 1: if thread_num == 0: break time.sleep(0.01)
À propos du verrouillage des threads (threading.Lock)
Le processeur monocœur + PIL a-t-il toujours besoin de verrous ?
Opération non atomiquecount = count + 1 Théoriquement, il est dangereux pour les threads
Utilisez 3 threads pour effectuer l'opération ci-dessus en même temps. La valeur de la variable globale compte et vérifiez le programme. résultat de l'exécution.
Si le résultat est correct, cela signifie qu'il n'y a pas de conflit de thread
Utilisez le code suivant pour tester
# -*- coding: utf-8 -*- import threading import time count = 0 class Counter(threading.Thread): def __init__(self, name): self.thread_name = name super(Counter, self).__init__(name=name) def run(self): global count for i in xrange(100000): count = count + 1 counters = [Counter('thread:%s' % i) for i in range(5)] for counter in counters: counter.start() time.sleep(5) print 'count=%s' % count
<🎜. >
Résultats d'exécution :count=275552En fait, les résultats de chaque exécution sont différents et incorrects, ce qui prouve que le CPU monocœur + PIL est toujours ne peut pas garantir la sécurité des threads et nécessite un verrouillage Corriger le code après le verrouillage :
# -*- coding: utf-8 -*- import threading import time count = 0 lock = threading.Lock() class Counter(threading.Thread): def __init__(self, name): self.thread_name = name self.lock = threading.Lock() super(Counter, self).__init__(name=name) def run(self): global count global lock for i in xrange(100000): lock.acquire() count = count + 1 lock.release() counters = [Counter('thread:%s' % i) for i in range(5)] for counter in counters: counter.start() time.sleep(5) print 'count=%s' % count
count=500000
Faites attention à la nature globale du verrou
Il s'agit d'un simple problème de syntaxe Python, mais il y a des problèmes lorsque la logique est complexe Peut être ignoré.Assurez-vous que le verrou est partagé par plusieurs sous-threads, c'est-à-dire ne créez pas de verrou dans une sous-classe de Thread
. codes d'erreur
# -*- coding: utf-8 -*- import threading import time count = 0 # lock = threading.Lock() # 正确的声明位置 class Counter(threading.Thread): def __init__(self, name): self.thread_name = name self.lock = threading.Lock() # 错误的声明位置 super(Counter, self).__init__(name=name) def run(self): global count for i in xrange(100000): self.lock.acquire() count = count + 1 self.lock.release() counters = [Counter('thread:%s' % i) for i in range(5)] for counter in counters: print counter.thread_name counter.start() time.sleep(5) print 'count=%s' % count
Explication détaillée des verrous de synchronisation dans threads python
Explication détaillée de l'utilisation des événements dans le multi-threading python
Implémentation du pool de threads python
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

PHP et Python ont leurs propres avantages et inconvénients, et le choix dépend des besoins du projet et des préférences personnelles. 1.Php convient au développement rapide et à la maintenance des applications Web à grande échelle. 2. Python domine le domaine de la science des données et de l'apprentissage automatique.

Python et JavaScript ont leurs propres avantages et inconvénients en termes de communauté, de bibliothèques et de ressources. 1) La communauté Python est amicale et adaptée aux débutants, mais les ressources de développement frontal ne sont pas aussi riches que JavaScript. 2) Python est puissant dans les bibliothèques de science des données et d'apprentissage automatique, tandis que JavaScript est meilleur dans les bibliothèques et les cadres de développement frontaux. 3) Les deux ont des ressources d'apprentissage riches, mais Python convient pour commencer par des documents officiels, tandis que JavaScript est meilleur avec MDNWEBDOCS. Le choix doit être basé sur les besoins du projet et les intérêts personnels.

Activer l'accélération du GPU Pytorch sur le système CentOS nécessite l'installation de versions CUDA, CUDNN et GPU de Pytorch. Les étapes suivantes vous guideront tout au long du processus: CUDA et CUDNN Installation détermineront la compatibilité de la version CUDA: utilisez la commande NVIDIA-SMI pour afficher la version CUDA prise en charge par votre carte graphique NVIDIA. Par exemple, votre carte graphique MX450 peut prendre en charge CUDA11.1 ou plus. Téléchargez et installez Cudatoolkit: visitez le site officiel de Nvidiacudatoolkit et téléchargez et installez la version correspondante selon la version CUDA la plus élevée prise en charge par votre carte graphique. Installez la bibliothèque CUDNN:

Docker utilise les fonctionnalités du noyau Linux pour fournir un environnement de fonctionnement d'application efficace et isolé. Son principe de travail est le suivant: 1. Le miroir est utilisé comme modèle en lecture seule, qui contient tout ce dont vous avez besoin pour exécuter l'application; 2. Le Système de fichiers Union (UnionFS) empile plusieurs systèmes de fichiers, ne stockant que les différences, l'économie d'espace et l'accélération; 3. Le démon gère les miroirs et les conteneurs, et le client les utilise pour l'interaction; 4. Les espaces de noms et les CGROUP implémentent l'isolement des conteneurs et les limitations de ressources; 5. Modes de réseau multiples prennent en charge l'interconnexion du conteneur. Ce n'est qu'en comprenant ces concepts principaux que vous pouvez mieux utiliser Docker.

Minio Object Storage: Déploiement haute performance dans le système Centos System Minio est un système de stockage d'objets distribué haute performance développé sur la base du langage Go, compatible avec Amazons3. Il prend en charge une variété de langages clients, notamment Java, Python, JavaScript et GO. Cet article introduira brièvement l'installation et la compatibilité de Minio sur les systèmes CentOS. Compatibilité de la version CentOS Minio a été vérifiée sur plusieurs versions CentOS, y compris, mais sans s'y limiter: CentOS7.9: fournit un guide d'installation complet couvrant la configuration du cluster, la préparation de l'environnement, les paramètres de fichiers de configuration, le partitionnement du disque et la mini

La formation distribuée par Pytorch sur le système CentOS nécessite les étapes suivantes: Installation de Pytorch: La prémisse est que Python et PIP sont installés dans le système CentOS. Selon votre version CUDA, obtenez la commande d'installation appropriée sur le site officiel de Pytorch. Pour la formation du processeur uniquement, vous pouvez utiliser la commande suivante: pipinstalltorchtorchVisionTorChaudio Si vous avez besoin d'une prise en charge du GPU, assurez-vous que la version correspondante de CUDA et CUDNN est installée et utilise la version Pytorch correspondante pour l'installation. Configuration de l'environnement distribué: la formation distribuée nécessite généralement plusieurs machines ou des GPU multiples uniques. Lieu

Lors de l'installation de Pytorch sur le système CentOS, vous devez sélectionner soigneusement la version appropriée et considérer les facteurs clés suivants: 1. Compatibilité de l'environnement du système: Système d'exploitation: Il est recommandé d'utiliser CentOS7 ou plus. CUDA et CUDNN: La version Pytorch et la version CUDA sont étroitement liées. Par exemple, Pytorch1.9.0 nécessite CUDA11.1, tandis que Pytorch2.0.1 nécessite CUDA11.3. La version CUDNN doit également correspondre à la version CUDA. Avant de sélectionner la version Pytorch, assurez-vous de confirmer que des versions compatibles CUDA et CUDNN ont été installées. Version Python: branche officielle de Pytorch

Python excelle dans l'automatisation, les scripts et la gestion des tâches. 1) Automatisation: La sauvegarde du fichier est réalisée via des bibliothèques standard telles que le système d'exploitation et la fermeture. 2) Écriture de script: utilisez la bibliothèque PSUTIL pour surveiller les ressources système. 3) Gestion des tâches: utilisez la bibliothèque de planification pour planifier les tâches. La facilité d'utilisation de Python et la prise en charge de la bibliothèque riche en font l'outil préféré dans ces domaines.
