計(jì)算をスピードアップすることは、誰もが達(dá)成したい目標(biāo)です?，F(xiàn)在の実行時(shí)間よりも10倍速く実行できるスクリプトがある場合はどうなりますか？この記事では、Python MultiprocessingとMultiProcessingと呼ばれるライブラリを見ていきます。並列プログラミングを使用して、マルチプロセッシングが何であるか、その利點(diǎn)、およびPythonプログラムの実行時(shí)間を改善する方法について説明します。

わかりました、行こう！

キーテイクアウト

並列コンピューティングは、CPUの複數(shù)のコアを同時(shí)に使用することにより、計(jì)算をスピードアップする方法です。これは、複數(shù)のプロセスを作成できるモジュールであるMultiProcessingを介してPythonで実現(xiàn)できます。それぞれが別のコアで実行されます。
• Pythonのマルチプロセッシングモジュールは、高集約的なタスクのCPUの使用、スレッドと比較した子どものプロセスのより多くの制御、並列プログラミングに適したタスクの簡単な実裝などの利點(diǎn)を提供します。
Pythonマルチプロセッシングは、シリアルコンピューティングよりも常に効率的ではありません。 CPU集約型タスクが低い場合、プロセス間で計(jì)算を分割することで導(dǎo)入されたオーバーヘッドのため、シリアル計(jì)算はより速くなります。
• Pythonのマルチプロセッシングモジュールは、同時(shí)に実行する必要がある各タスクの新しいプロセスを作成します。各プロセスには、獨(dú)自のPythonインタープリターとメモリスペースがあり、他のプロセスとは獨(dú)立して実行できます。
Pythonでのマルチプロセシングは、プログラムの速度と効率を大幅に改善できますが、コードの複雑さも向上します。すべてのタスクが並列化に適しているわけではなく、場合によっては、複數(shù)のプロセスの作成と管理のオーバーヘッドが潛在的なパフォーマンスの向上を上回る可能性があります。
並列性の紹介
Pythonコードに飛び込む前に、コンピューターサイエンスの重要な概念である並列コンピューティングについて話さなければなりません。
• 通常、Pythonスクリプトを?qū)g行すると、ある時(shí)點(diǎn)でコードがプロセスになり、プロセスがCPUの単一のコアで実行されます。しかし、最新のコンピューターには複數(shù)のコアがあるので、計(jì)算にもっと多くのコアを使用できるとしたらどうでしょうか？計(jì)算はより速くなることがわかります
今のところこれを一般原則として見てみましょうが、後でこの記事では、これは普遍的に真実ではないことがわかります。

あまりにも多くの詳細(xì)に入ることなく、並列性の背後にあるアイデアは、CPUの複數(shù)のコアを使用できるようにコードを書くことです。

物事を簡単にするために、例を見てみましょう。

並列およびシリアルコンピューティング

あなたが解決すべき大きな問題を抱えていると想像してください、そしてあなたは一人です。 8つの異なる數(shù)値の平方根を計(jì)算する必要があります。職業(yè)はなんですか？まあ、あなたには多くの選択肢がありません。最初の番號(hào)から始めて、結(jié)果を計(jì)算します。次に、他の人と一緒に行きます。

あなたがあなたを助けてくれる數(shù)學(xué)が得意な3人の友達(dá)がいるとしたら？それらのそれぞれは2つの數(shù)値の平方根を計(jì)算し、仕事の負(fù)荷は友達(dá)の間で均等に分配されるため、仕事は簡単になります。これは、問題がより速く解決されることを意味します

わかりました、すべて明確ですか？これらの例では、各友人はCPUのコアを表しています。最初の例では、タスク全體があなたによって連続的に解決されます。これはシリアルコンピューティングと呼ばれます。 2番目の例では、合計(jì)4つのコアを使用しているため、並列コンピューティングを使用しています。並列コンピューティングには、プロセッサ內(nèi)の複數(shù)のコア間で分割される並列プロセスまたはプロセスの使用が含まれます。

並列プログラミングのモデル

並列プログラミングとは何かを確立しましたが、どのように使用しますか？さて、並行コンピューティングには、プロセッサの複數(shù)のコア間で複數(shù)のタスクの実行が含まれることを意味します。つまり、これらのタスクは同時(shí)に実行されることを意味します。並列化に近づく前に考慮すべきいくつかの質(zhì)問があります。たとえば、計(jì)算をスピードアップできる他の最適化はありますか？

今のところ、並列化があなたにとって最良の解決策であると當(dāng)然のことと考えてみましょう。並列コンピューティングには主に3つのモデルがあります：

完全に平行。タスクは獨(dú)立して実行でき、互いに通信する必要はありません。

共有メモリの並列性。プロセス（またはスレッド）が通信する必要があるため、グローバルアドレス空間を共有します。

メッセージの合格。必要に応じてプロセスがメッセージを共有する必要があります。
この記事では、最初のモデルを説明します。これも最も簡単です。
• Pythonマルチプロセッシング：Pythonのプロセスベースの並列性
• Pythonで並列性を?qū)g現(xiàn)する1つの方法は、マルチプロセッシングモジュールを使用することです。マルチプロセッシングモジュールを使用すると、複數(shù)のプロセスを作成できます。それぞれが獨(dú)自のPythonインタープリターを使用します。このため、Pythonマルチプロセッシングはプロセスベースの並列性を達(dá)成します
Pythonが組み込まれているスレッドのような他のライブラリについて聞いたことがあるかもしれませんが、それらの間には重要な違いがあります。マルチプロセッシングモジュールは新しいプロセスを作成し、スレッドは新しいスレッドを作成します。

次のセクションでは、マルチプロセッシングを使用することの利點(diǎn)について説明します。 マルチプロセッシングを使用することの利點(diǎn)

マルチプロセッシングのいくつかの利點(diǎn)があります：

• 高いCPU集約型タスクを扱うときのCPUのより良い使用
• スレッドと比較して子供をより多く制御します
• 簡単にコードできます

最初の利點(diǎn)はパフォーマンスに関連しています。 Multiprocessingは新しいプロセスを作成するため、タスクを他のコアに分割することにより、CPUの計(jì)算能力をよりよく使用できます。ほとんどのプロセッサは最近のマルチコアプロセッサであり、コードを最適化する場合は、計(jì)算を並行して解決することで時(shí)間を節(jié)約できます。 2番目の利點(diǎn)は、マルチスレッドであるマルチプロセスの代替手段を調(diào)べます。ただし、スレッドはプロセスではなく、これに結(jié)果が生じます。スレッドを作成する場合、通常のプロセスで行うように、スレッドを殺したり、中斷することも危険です。マルチプロセッシングとマルチスレッドの比較はこの記事の範(fàn)囲內(nèi)ではないため、さらに読むことをお?jiǎng)幛幛筏蓼埂?

マルチプロセッシングの3番目の利點(diǎn)は、処理しようとしているタスクが並列プログラミングに適していることを考えると、実裝が非常に簡単であることです。

Python Multiprocessing

を開始します

ついにPythonコードを書く準(zhǔn)備ができています！

非常に基本的な例から始めます。これを使用して、Pythonマルチプロセッシングのコア側(cè)面を説明します。この例では、2つのプロセスがあります

親プロセス。複數(shù)の子供を持つことができる親のプロセスは1つだけです。

子プロセス。これは親によって生まれました。各子供には新しい子供もいることもあります。

• 子どものプロセスを使用して、特定の関數(shù)を?qū)g行します。このようにして、親はその実行を続けることができます。
単純なPythonマルチプロセッシングの例
この例で使用するコードは次のとおりです

このスニペットでは、bubble_sort（array）という関數(shù)を定義しました。この関數(shù)は、バブルソートソートアルゴリズムの非常に素樸な実裝です。それが何であるかわからないとしても、心配しないでください。それはそれほど重要ではないからです。知っておくべき重要なことは、それがいくつかの作業(yè)を行う関數(shù)であるということです。

プロセスクラス

マルチプロセッシングから、クラスプロセスをインポートします。このクラスは、別のプロセスで実行されるアクティビティを表します。確かに、あなたは私たちがいくつかの議論に合格したことを見ることができます：

ターゲット= bubble_sort、つまり、新しいプロセスがbubble_sort関數(shù)を?qū)g行することを意味します

<span>from multiprocessing import Process
</span>
<span>def bubble_sort(array):
</span>    check <span>= True
</span>    <span>while check == True:
</span>      check <span>= False
</span>      <span>for i in range(0, len(array)-1):
</span>        <span>if array[i] > array[i+1]:
</span>          check <span>= True
</span>          temp <span>= array[i]
</span>          array<span>[i] = array[i+1]
</span>          array<span>[i+1] = temp
</span>    <span>print("Array sorted: ", array)
</span>
<span>if __name__ == '__main__':
</span>    p <span>= Process(target=bubble_sort, args=([1,9,4,5,2,6,8,4],))
</span>    p<span>.start()
</span>    p<span>.join()
</span>

args =（[1,9,4,52,6,8,4]、）、これはターゲット関數(shù)への引數(shù)として渡される配列

プロセスクラスのインスタンスを作成したら、プロセスを開始するだけです。これは、p.start（）を書くことによって行われます。この時(shí)點(diǎn)で、プロセスが開始されます

出口を終える前に、子どものプロセスが計(jì)算を終了するのを待つ必要があります。 Join（）メソッドは、プロセスが終了するのを待ちますこの例では、1つの子プロセスのみを作成しました。ご想像のとおり、プロセスクラスでより多くのインスタンスを作成することで、より多くの子プロセスを作成できます。

プールクラス

より多くのCPU集約型タスクを処理するために複數(shù)のプロセスを作成する必要がある場合はどうなりますか？私たちは常に終了を明示的に開始し、待つ必要がありますか？ここでの解決策は、プールクラスを使用することです

プールクラスを使用すると、ワーカープロセスのプールを作成できます。次の例では、どのように使用できるかについて説明します。これは私たちの新しい例です：

このコードスニペットでは、単に整數(shù)を採取して平方根を返すキューブ（x）関數(shù)があります。簡単ですよね？

次に、屬性を指定せずにプールクラスのインスタンスを作成します。プールクラスは、デフォルトでCPUコアごとに1つのプロセスを作成します。次に、いくつかの引數(shù)でMAPメソッドを?qū)g行します。

<span>from multiprocessing import Process
</span>
<span>def bubble_sort(array):
</span>    check <span>= True
</span>    <span>while check == True:
</span>      check <span>= False
</span>      <span>for i in range(0, len(array)-1):
</span>        <span>if array[i] > array[i+1]:
</span>          check <span>= True
</span>          temp <span>= array[i]
</span>          array<span>[i] = array[i+1]
</span>          array<span>[i+1] = temp
</span>    <span>print("Array sorted: ", array)
</span>
<span>if __name__ == '__main__':
</span>    p <span>= Process(target=bubble_sort, args=([1,9,4,5,2,6,8,4],))
</span>    p<span>.start()
</span>    p<span>.join()
</span>

マップメソッドは、私たちが提供する反復(fù)可能なすべての要素にキューブ関數(shù)を適用します。この場合、10からNのすべての數(shù)字のリストです。

これの大きな利點(diǎn)は、リストの計(jì)算が並行して行われていることです！

Python Multiprocessingを最大限に活用

複數(shù)のプロセスを作成し、並列計(jì)算を行うことは、必ずしもシリアルコンピューティングよりも効率的ではありません。 CPU集約型タスクが低い場合、シリアル計(jì)算は並列計(jì)算よりも高速です。このため、マルチプロセッシングをいつ使用するかを理解することが重要です。これは、実行しているタスクに依存します。

これを納得させるには、簡単な例を見てみましょう：

このスニペットは、前の例に基づいています。同じ問題を解決しています。これは、n數(shù)の平方根を計(jì)算していますが、2つの方法で計(jì)算されています。最初のものは、Pythonマルチプロセッシングの使用を含みますが、2番目のものはPythonマルチプロセッシングです。時(shí)間のパフォーマンスを測定するために、時(shí)間ライブラリのperf_counter（）メソッドを使用しています。

私のラップトップで、この結(jié)果が得られます：

ご覧のとおり、1秒以上の違いがあります。したがって、この場合、マルチプロセッシングの方が優(yōu)れています

Nの値のようにコードの何かを変更しましょう。n = 10000に下げて、何が起こるかを見てみましょう。

<span>from multiprocessing import Pool
</span><span>import time
</span><span>import math
</span>
N <span>= 5000000
</span>
<span>def cube(x):
</span>    <span>return math.sqrt(x)
</span>
<span>if __name__ == "__main__":
</span>    <span>with Pool() as pool:
</span>      result <span>= pool.map(cube, range(10,N))
</span>    <span>print("Program finished!")
</span>

これが私が今得ているものです：

何が起こったのですか？マルチプロセッシングは今では悪い選択であるようです。なぜ？

<span>from multiprocessing import Pool
</span><span>import time
</span><span>import math
</span>
N <span>= 5000000
</span>
<span>def cube(x):
</span>    <span>return math.sqrt(x)
</span>
<span>if __name__ == "__main__":
</span>    <span># first way, using multiprocessing
</span>    start_time <span>= time.perf_counter()
</span>    <span>with Pool() as pool:
</span>      result <span>= pool.map(cube, range(10,N))
</span>    finish_time <span>= time.perf_counter()
</span>    <span>print("Program finished in {} seconds - using multiprocessing".format(finish_time-start_time))
</span>    <span>print("---")
</span>    <span># second way, serial computation
</span>    start_time <span>= time.perf_counter()
</span>    result <span>= []
</span>    <span>for x in range(10,N):
</span>      result<span>.append(cube(x))
</span>    finish_time <span>= time.perf_counter()
</span>    <span>print("Program finished in {} seconds".format(finish_time-start_time))
</span>

プロセス間で計(jì)算を分割することで導(dǎo)入されたオーバーヘッドは、解決されたタスクと比較して大きすぎます。時(shí)間のパフォーマンスの観點(diǎn)からどれほどの違いがあるかを見ることができます。

結(jié)論

この記事では、Python Multiprocessingを使用して、Pythonコードのパフォーマンスの最適化について説明しました。

最初に、並列コンピューティングとは何か、それを使用するための主要なモデルを簡単に紹介しました。次に、マルチプロセッシングとその利點(diǎn)について話し始めました。最終的に、計(jì)算を並列化することが常に最良の選択ではないことがわかり、マルチプロセッシングモジュールはCPUバウンドタスクの並列化に使用する必要があることがわかりました。いつものように、それはあなたが直面している特定の問題を考慮し、異なる解決策の長所と短所に評(píng)価することの問題です。

私と同じように便利なPythonマルチプロセッシングについて學(xué)ぶことを見つけたことを願(yuàn)っています。 Pythonマルチプロセッシングと並列プログラミングに関するFAQ

Pythonでマルチプロセッシングを使用することの主な利點(diǎn)は何ですか？

??

Pythonでマルチプロセッシングを使用することの主な利點(diǎn)は、複數(shù)のプロセスを同時(shí)に実行できることです。これは、CPU集約型タスクを操作する場合に特に有益です。これにより、プログラムはCPUの複數(shù)のコアを利用できるため、プログラムの速度と効率を大幅に改善できます。スレッドとは異なり、マルチプロセッシングはPythonのグローバルインタープリターロック（GIL）に苦しむことはありません。つまり、各プロセスは他のプロセスの影響を受けずに獨(dú)立して実行できます。これにより、Pythonの並列プログラミングの強(qiáng)力なツールにマルチプロセッシングが行われます。同時(shí)に実行されます。各プロセスには、獨(dú)自のPythonインタープリターとメモリスペースがあります。つまり、他のプロセスとは獨(dú)立して実行できます。マルチプロセッシングモジュールは、これらのプロセスを簡単に作成および管理できるようにする多くのクラスと機(jī)能を提供します。たとえば、プロセスクラスは新しいプロセスを作成するために使用されますが、プールクラスはワーカープロセスのプールを管理するために使用されます。 > Pythonでのマルチプロセッシングとマルチスレッドの主な違いは、タスクの処理方法にあります。 Multiprocessingは各タスクの新しいプロセスを作成しますが、MultiThreadingは同じプロセス內(nèi)で新しいスレッドを作成します。つまり、マルチプロセッシングは複數(shù)のCPUコアを最大限に活用できますが、マルチスレッドはPythonのグローバルインタープリターロック（GIL）によって制限されていることを意味します。これにより、一度に1つのスレッドのみが実行できます。ただし、マルチスレッドは、I/Oバウンドタスクに依然として役立ちます。プログラムは、ほとんどの時(shí)間を投入/出力操作が完了するのを待つのに費(fèi)やしています。

Pythonのプロセス間でデータを共有するにはどうすればよいですか？

??

マルチプロセッシングモジュールの共有メモリメカニズムを使用して、Pythonのプロセス間でデータを共有できます。これらには、それぞれ共有変數(shù)と配列を作成できる値クラスとアレイクラスが含まれます。ただし、各プロセスには獨(dú)自のメモリ空間があるため、1つのプロセスで共有変數(shù)または配列に変更された変更は、マルチプロセッシングモジュールによって提供されるロックまたは他の同期プリミティブを使用して明示的に同期しない限り、他のプロセスに反映されないことに注意することが重要です。

マルチプロセッシング中にPythonでマルチプロセッシングを使用することの潛在的な落とし穴は何ですかPythonは、プログラムの速度と効率を大幅に向上させることができます。また、獨(dú)自の課題も伴います。主な落とし穴の1つは、コードの複雑さの増加です。特に共有データと同期プロセスの処理に関しては、複數(shù)のプロセスを管理することは、シングルスレッドプログラムを管理するよりも複雑です。さらに、新しいプロセスを作成することは、新しいスレッドを作成するよりもリソース集約型であり、メモリ使用量の増加につながる可能性があります。最後に、すべてのタスクが並列化に適しているわけではなく、場合によっては、複數(shù)のプロセスの作成と管理のオーバーヘッドが潛在的なパフォーマンスの向上を上回る可能性があります。 pythonのマルチプロセッシングの例外は、子プロセスで発生する例外が親プロセスに自動(dòng)的に伝播しないため、少し注意が必要です。ただし、マルチプロセッシングモジュールは、例外を処理するいくつかの方法を提供します。 1つの方法は、プロセスクラスのIS_ALIVE（）メソッドを使用して、プロセスがまだ実行されているかどうかを確認(rèn)することです。メソッドがfalseを返す場合、プロセスが終了したことを意味します。これは例外による可能性があります。別の方法は、プロセスクラスのExitcode屬性を使用することです。これにより、プロセスが終了する理由に関する詳細(xì)情報(bào)を提供できます。他のPythonライブラリ。ただし、すべてのライブラリがマルチプロセッシング環(huán)境で使用されるように設(shè)計(jì)されているわけではないことに注意することが重要です。一部のライブラリは、スレッドセーフではない場合や、同時(shí)実行をサポートしていない場合があります。したがって、使用しているライブラリのドキュメントを確認(rèn)して、マルチプロセスをサポートするかどうかを確認(rèn)することをお?jiǎng)幛幛筏蓼埂?h3> Pythonでマルチプロセッシングプログラムをデバッグするにはどうすればよいですか？

??

Pythonでマルチプロセッシングプログラムをデバッグするのは困難な場合があります。ただし、プログラムをデバッグするために使用できる手法がいくつかあります。 1つの方法は、印刷ステートメントまたはロギングを使用してプログラムの実行を追跡することです。別の方法は、PDBモジュールのset_trace（）関數(shù)を使用して、コード內(nèi)のブレークポイントを設(shè)定することです。また、マルチプロセスモジュールのlog_to_stderr（）関數(shù)など、マルチプロセッシングをサポートする専門のデバッグツールを使用することもできます。これにより、プロセスのアクティビティを標(biāo)準(zhǔn)エラーにログに記録できます。オペレーティングシステム？

はい、さまざまなオペレーティングシステムでPythonでマルチプロセシングを使用できます。マルチプロセッシングモジュールは、標(biāo)準(zhǔn)のPythonライブラリの一部です。つまり、Pythonをサポートするすべてのプラットフォームで使用できます。ただし、マルチプロセッシングモジュールの動(dòng)作は、プロセスの処理方法の違いにより、異なるオペレーティングシステム間でわずかに異なる場合があります。したがって、ターゲットオペレーティングシステムでプログラムをテストして、予想どおりに機(jī)能するようにすることをお?jiǎng)幛幛筏蓼埂?Pythonでのマルチプロセシングの使用は、次のものを含みます。

- 可能な限りプロセス間でデータの共有を避けます。これは複雑な同期の問題につながる可能性があるためです。プロセスは、プロセスの作成と管理のプロセスを簡素化する高レベルのインターフェイスを提供するためです。

- プロセスクラスのJoin（）メソッドを呼び出すことで、常にプロセスをクリーンアップします。 。

- プログラムが予期せずクラッシュするのを防ぐために例外を適切に処理します。

- プログラムが徹底的にテストして、マルチプロセッシング環(huán)境で正しく機(jī)能するようにします。

以上がPythonマルチプロセスと並列プログラミングのガイドの詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。