如何在 Python 多重處理中高效共享大型唯讀資料？

在多重處理中維護共享唯讀資料

問題：

問題：

答案：

<code class="python">import multiprocessing
import ctypes
import numpy as np

shared_array_base = multiprocessing.Array(ctypes.c_double, 10*10)
shared_array = np.ctypeslib.as_array(shared_array_base.get_obj())
shared_array = shared_array.reshape(10, 10)</code>

利用由多處理模組與 NumPy 結合使用，可以在進程之間高效共享資料。

<code class="python"># Parallel processing
def my_func(i, def_param=shared_array):
    shared_array[i,:] = i

if __name__ == '__main__':
    pool = multiprocessing.Pool(processes=4)
    pool.map(my_func, range(10))

    print(shared_array)</code>

這種方法利用了 Linux 對 fork() 採用寫入時複製語義的事實，確保僅在以下情況下才複製資料：修改的。因此，即使沒有明確使用 multiprocessing.Array，資料也會在進程之間有效共享，除非發生變更。

[[ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]
 [ 2.  2.  2.  2.  2.  2.  2.  2.  2.  2.]
 [ 3.  3.  3.  3.  3.  3.  3.  3.  3.  3.]
 [ 4.  4.  4.  4.  4.  4.  4.  4.  4.  4.]
 [ 5.  5.  5.  5.  5.  5.  5.  5.  5.  5.]
 [ 6.  6.  6.  6.  6.  6.  6.  6.  6.  6.]
 [ 7.  7.  7.  7.  7.  7.  7.  7.  7.  7.]
 [ 8.  8.  8.  8.  8.  8.  8.  8.  8.  8.]
 [ 9.  9.  9.  9.  9.  9.  9.  9.  9.  9.]]

此程式碼同時修改共享陣列並示範了在多個進程之間成功共享資料：

透過利用共享記憶體和寫入時複製語義，此方法提供了一種有效的解決方案，用於在多處理環境中的進程之間共享大量唯讀資料。

以上是如何在 Python 多重處理中高效共享大型唯讀資料？的詳細內容。更多資訊請關注PHP中文網其他相關文章！