1 前言

我們在日常使用Python進行各種數(shù)據(jù)計算處理任務時，若想要獲得明顯的計算加速效果，最簡單明了的方式就是想辦法將默認運行在單個進程上的任務，擴展到使用多進程或多線程的方式執(zhí)行。

而對于我們這些從事數(shù)據(jù)分析工作的人員而言，以最簡單的方式實現(xiàn)等價的加速運算的效果尤為重要，從而避免將時間過多花費在編寫程序上。

而今天我就來帶大家學習如何利用joblib這個非常簡單易用的庫中的相關功能，來快速實現(xiàn)并行計算加速效果。

2 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：

2.1 使用Parallel與delayed進行并行加速

joblib中實現(xiàn)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(xiàn)并行運算的思想是將一組通過循環(huán)產(chǎn)生的串行計算子任務，以多進程或多線程的方式進行調(diào)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(shù)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(shù)后，銜接循環(huán)創(chuàng)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(shù)，再銜接()傳遞任務函數(shù)所需的參數(shù)即可，其中n_jobs參數(shù)用于設置并行任務同時執(zhí)行的worker數(shù)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(jù)計算任務以及機器CPU核心數(shù)具體情況為Parallel()調(diào)節(jié)參數(shù)，核心參數(shù)有：

• backend：用于設置并行方式，其中多進程方式有'loky'（更穩(wěn)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(zhí)行的worker數(shù)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(shù)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(shù)來保留適當?shù)目臻e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(shù)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(wǎng)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

我們可以根據(jù)自己實際任務的不同，好好利用joblib來加速你的日常工作。

到此這篇關于Python 并行加速技巧分享的文章就介紹到這了,更多相關Python 加速內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論