Python中簡單易用的并行加速技巧是什么

本文小編為大家詳細介紹“Python中簡單易用的并行加速技巧是什么”，內容詳細，步驟清晰，細節處理妥當，希望這篇“Python中簡單易用的并行加速技巧是什么”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。

使用joblib進行并行計算

作為一個被廣泛使用的第三方Python庫(譬如scikit-learn項框架中就大量使用joblib進行眾多機器學習算法的并行加速)，我們可以使用pip install joblib對其進行安裝，安裝完成后，下面我們來學習一下joblib中有關并行運算的常用方法：

使用Parallel與delayed進行并行加速

joblib中實現并行計算只需要使用到其Parallel和delayed方法即可，使用起來非常簡單方便，下面我們直接以一個小例子來演示：

joblib實現并行運算的思想是將一組通過循環產生的串行計算子任務，以多進程或多線程的方式進行調度，而我們針對自定義的運算任務需要做的僅僅是將它們封裝為函數的形式即可，譬如：

import time

def task_demo1():

time.sleep(1)

return time.time()

接著只需要像下面的形式一樣，為Parallel()設置相關參數后，銜接循環創建子任務的列表推導過程，其中利用delayed()包裹自定義任務函數，再銜接()傳遞任務函數所需的參數即可，其中n_jobs參數用于設置并行任務同時執行的worker數量，因此在這個例子中可以看到進度條是按照4個一組遞增的，可以看到最終時間開銷也達到了并行加速效果：

其中可以根據計算任務以及機器CPU核心數具體情況為Parallel()調節參數，核心參數有：

• backend：用于設置并行方式，其中多進程方式有'loky'(更穩定)和'multiprocessing'兩種可選項，多線程有'threading'一種選項。默認為'loky'。

• n_jobs：用于設置并行任務同時執行的worker數量，當并行方式為多進程時，n_jobs最多可設置為機器CPU邏輯核心數量，超出亦等價于開啟全部核心，你也可以設置為-1來快捷開啟全部邏輯核心，若你不希望全部CPU資源均被并行任務占用，則可以設置更小的負數來保留適當的空閑核心，譬如設置為-2則開啟全部核心-1個核心，設置為-3則開啟全部核心-2個核心。

譬如下面的例子，在我這臺邏輯核心數為8的機器上，保留兩個核心進行并行計算：

關于并行方式的選擇上，由于Python中多線程時全局解釋器鎖的限制，如果你的任務是計算密集型，則推薦使用默認的多進程方式加速，如果你的任務是IO密集型譬如文件讀寫、網絡請求等，則多線程是更好的方式且可以將n_jobs設置的很大，舉個簡單的例子，可以看到，通過多線程并行，我們在5秒的時間里完成了1000次請求，遠快于單線程17秒請求100次的成績(此例僅供參考，大家在學習嘗試時請不要過于頻繁訪問他人的網站)：

你可以根據自己實際任務的不同，好好利用joblib來加速你的日常工作。

讀到這里，這篇“Python中簡單易用的并行加速技巧是什么”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。