#!/usr/bin/env python
import multiprocessing
def tempx((the_time)):
return int(the_time)*int(the_time)
def tempy((the_time, foobar)):
return int(the_time)/(float(foobar))+100
def mp_handler():
p = multiprocessing.Pool(2)
foo = p.map(tempx, [('2')])
print foo
foo = p.map(tempy, [('100', '100000')])
print foo
if __name__ == '__main__':
mp_handler()
我有两个输入参数不同的方法。第一个方法只有:the_time
,第二个方法只有the_time and foobar
我需要按特定顺序显示结果,因此我使用了map函数。但是,据我所知,上面的代码根本没有使用多进程模块,因为我使用的是两个map
函数。我说得对吗?你知道吗
最终目标是同时运行两个方法。你知道吗
我错过了什么?你知道吗
达诺,这是我正在做的一件事
import multiprocessing
def print_timing(func):
def wrapper(*arg):
t1 = time.time()
res = func(*arg)
t2 = time.time()
print '%s took %0.3f ms' % (func.func_name, (t2-t1)*1000.0)
return res
return wrapper
@print_timing
def case_one(power_pred, power_core, num_thrs, possible_frequency, clamp_range):
ds1_cur_freq = list()
ds1_freq_index = list()
ds1_cur_clamp = list()
return ds1_cur_freq, ds1_freq_index, ds1_cur_clamp
@print_timing
def case_two(cpower_pred, power_core, num_thrs, possible_frequency, TT_index, DT_index, clamp_range):
ds2_cur_freq = list()
ds2_freq_index = list()
ds2_cur_clamp = list()
return ds2_cur_freq, ds2_freq_index, ds2_cur_clamp
def defs_finder():
cpower_pred = list()
power_pred = list()
power_core = list()
num_thrs = 3
possible_frequency = list()
clamp_range= list()
DT_index =1
TT_index = 0
p = multiprocessing.Pool(2)
#Case 1: DS1
# ds1_cur_freq, ds1_freq_index, ds1_cur_clamp =
ds1 = p.apply_async(case_one, args=(power_pred, power_core, num_thrs, possible_frequency))
#Case 1: DS1
# ds1_cur_freq, ds1_freq_index, ds1_cur_clamp = case_one(power_pred, power_core, num_thrs, possible_frequency, clamp_range)
#Case 2: DS2
# ds2_cur_freq, ds2_freq_index, ds2_cur_clamp = case_two(cpower_pred, power_core, num_thrs, possible_frequency, TT_index, DT_index, clamp_range)
ds2 = p.apply_async(case_two, args=(cpower_pred, power_core, num_thrs, possible_frequency, TT_index, DT_index))
print ds1
print ds2
print ds1.get()
print ds2.get()
# ds1_cur_freq = ds1.get()[0]
# ds1_freq_index = ds1.get()[1]
# ds1_cur_clamp = ds1.get()[2]
# ds2_cur_freq = ds2.get()[0]
# ds2_freq_index = ds2.get()[1]
# ds2_cur_clamp = ds2.get()[2]
defs_finder()
这就是它现在是如何实现的,这个bug是如何重现的
不,
p.map
将很好地分配您的计算:它将您传递给它的函数的求值与您传递给它的参数并行。但是,在您的代码中,p.map
到tempx
和tempy
的应用程序不是并行的,如果您希望这样的话。你知道吗但是,与普通的
map
或列表理解([function(x) for x in your list]
)不同,p.map
是异步的,不会按特定顺序返回结果。之后需要对某个键上的结果进行排序。你知道吗Pool.map
在需要对iterable的所有元素并行运行特定函数并阻塞直到整个iterable被处理时非常有用。在您的例子中,您只是在iterable中传递一个项,所以您只是在子进程中运行一个函数,并阻塞直到它完成。这比只在父进程中运行函数要慢,因为这样会增加IPC的开销。你知道吗如果您的目标是只使用一组参数并行运行} 是一个更好的选择:
tempx
和tempy
,那么^{apply_async
是非阻塞的;它立即返回一个^{AsyncResult.get
来实际获取异步操作的结果。因此,我们只需在两个函数上调用apply_async
,在后台启动它们,然后在每个AsyncResult
上调用get()
,等待它们完成。你知道吗这里还需要注意一点:在您的示例中,您在子进程中所做的工作非常简单—两个函数都不需要很长时间就可以完成。相比之下,生成后台进程并通过IPC将函数及其参数传递给这些后台进程,然后将结果发送回来的成本很高。您可能会发现使用
multiprocessing
比在父进程中按顺序执行这些函数要慢。为了使multiprocessing
值得使用,您需要在tempx
和tempy
内部进行更昂贵的计算。你知道吗相关问题 更多 >
编程相关推荐