更新時(shí)間:2018-08-03 來(lái)源:黑馬程序員人工智能+Python培訓(xùn)學(xué)院 瀏覽量:
Python是一門非常適合處理數(shù)據(jù)和自動(dòng)化完成重復(fù)性工作的編程語(yǔ)言,我們?cè)谟脭?shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型之前,通常都需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,而Python就非常適合完成這項(xiàng)工作,比如需要重新調(diào)整幾十萬(wàn)張圖像的尺寸,用Python沒問題!你幾乎總是能找到一款可以輕松完成數(shù)據(jù)處理工作的Python庫(kù)。
然而,雖然Python易于學(xué)習(xí),使用方便,但它并非運(yùn)行速度最快的語(yǔ)言。默認(rèn)情況下,Python程序使用一個(gè)CPU以單個(gè)進(jìn)程運(yùn)行。不過如果你是在最近幾年配置的電腦,通常都是四核處理器,也就是有4個(gè)CPU。這就意味著在你苦苦等待Python腳本完成數(shù)據(jù)處理工作時(shí),你的電腦其實(shí)有75%甚至更多的計(jì)算資源就在那閑著沒事干!
今天我(作者Adam Geitgey——譯者注)就教大家怎樣通過并行運(yùn)行Python函數(shù),充分利用你的電腦的全部處理能力。得益于Python的 concurrent.futures 模塊,我們只需3行代碼,就能將一個(gè)普通數(shù)據(jù)處理腳本變?yōu)槟懿⑿刑幚頂?shù)據(jù)的腳本,提速4倍。
普通Python處理數(shù)據(jù)方法比方說,我們有一個(gè)全是圖像數(shù)據(jù)的文件夾,想用Python為每張圖像創(chuàng)建縮略圖。
下面是一個(gè)短暫的腳本,用Python的內(nèi)置glob函數(shù)獲取文件夾中所有JPEG圖像的列表,然后用Pillow圖像處理庫(kù)為每張圖像保存大小為128像素的縮略圖:
import globimport osfrom PIL import Imagedef make_image_thumbnail(filename): # 縮略圖會(huì)被命名為"<original_filename>_thumbnail.jpg" base_filename, file_extension = os.path.splitext(filename) thumbnail_filename = f"{base_filename}_thumbnail{file_extension}" # 創(chuàng)建和保存縮略圖 image = Image.open(filename) image.thumbnail(size=(128, 128)) image.save(thumbnail_filename, "JPEG") return thumbnail_filename# 循環(huán)文件夾中所有JPEG圖像,為每張圖像創(chuàng)建縮略圖for image_file in glob.glob("*.jpg"): thumbnail_file = make_image_thumbnail(image_file)print(f"A thumbnail for {image_file} was saved as {thumbnail_file}")復(fù)制代碼這段腳本沿用了一個(gè)簡(jiǎn)單的模式,你會(huì)在數(shù)據(jù)處理腳本中經(jīng)常見到這種方法:
首先獲得你想處理的文件(或其它數(shù)據(jù))的列表
寫一個(gè)輔助函數(shù),能夠處理上述文件的單個(gè)數(shù)據(jù)
使用for循環(huán)調(diào)用輔助函數(shù),處理每一個(gè)單個(gè)數(shù)據(jù),一次一個(gè)。
咱們用一個(gè)包含1000張JPEG圖像的文件夾測(cè)試一下這段腳本,看看運(yùn)行完要花多長(zhǎng)時(shí)間:
$ time python3 thumbnails_1.pyA thumbnail for 1430028941_4db9dedd10.jpg was saved as 1430028941_4db9dedd10_thumbnail.jpg[... about 1000 more lines of output ...]real 0m8.956suser 0m7.086ssys 0m0.743s復(fù)制代碼運(yùn)行程序花了8.9秒,但是電腦的真實(shí)工作強(qiáng)度怎樣呢?
我們?cè)龠\(yùn)行一遍程序,看看程序運(yùn)行時(shí)的活動(dòng)監(jiān)視器情況:
電腦有75%的處理資源處于閑置狀態(tài)!這是什么情況?
這個(gè)問題的原因就是我的電腦有4個(gè)CPU,但Python只使用了一個(gè)。所以程序只是卯足了勁用其中一個(gè)CPU,另外3個(gè)卻無(wú)所事事。因此我需要一種方法能將工作量分成4個(gè)我能并行處理的單獨(dú)部分。幸運(yùn)的是,Python中有個(gè)方法很容易能讓我們做到!
試試創(chuàng)建多進(jìn)程下面是一種可以讓我們并行處理數(shù)據(jù)的方法:
1.將JPEG文件劃分為4小塊。
2.運(yùn)行Python解釋器的4個(gè)單獨(dú)實(shí)例。
3.讓每個(gè)Python實(shí)例處理這4塊數(shù)據(jù)中的一塊。
4.將這4部分的處理結(jié)果合并,獲得結(jié)果的最終列表。
4個(gè)Python拷貝程序在4個(gè)單獨(dú)的CPU上運(yùn)行,處理的工作量應(yīng)該能比一個(gè)CPU大約高出4倍,對(duì)吧?
最妙的是,Python已經(jīng)替我們做完了最麻煩的那部分工作。我們只需告訴它想運(yùn)行哪個(gè)函數(shù)以及使用多少實(shí)例就行了,剩下的工作它會(huì)完成。整個(gè)過程我們只需要改動(dòng)3行代碼。
首先,我們需要導(dǎo)入concurrent.futures庫(kù),這個(gè)庫(kù)就內(nèi)置在Python中:
import concurrent.futures復(fù)制代碼接著,我們需要告訴Python啟動(dòng)4個(gè)額外的Python實(shí)例。我們通過讓Python創(chuàng)建一個(gè)Process Pool來(lái)完成這一步:
with concurrent.futures.ProcessPoolExecutor() as executor:復(fù)制代碼默認(rèn)情況下,它會(huì)為你電腦上的每個(gè)CPU創(chuàng)建一個(gè)Python進(jìn)程,所以如果你有4個(gè)CPU,就會(huì)啟動(dòng)4個(gè)Python進(jìn)程。
最后一步是讓創(chuàng)建的Process Pool用這4個(gè)進(jìn)程在數(shù)據(jù)列表上執(zhí)行我們的輔助函數(shù)。完成這一步,我們要將已有的for循環(huán):
for image_file in glob.glob("*.jpg"):thumbnail_file = make_image_thumbnail(image_file)復(fù)制代碼替換為新的調(diào)用executor.map():
image_files = glob.glob("*.jpg")for image_file, thumbnail_file in zip(image_files, executor.map(make_image_thumbnail, image_files)):復(fù)制代碼該executor.map()函數(shù)調(diào)用時(shí)需要輸入輔助函數(shù)和待處理的數(shù)據(jù)列表。這個(gè)函數(shù)能幫我完成所有麻煩的工作,包括將列表分為多個(gè)子列表、將子列表發(fā)送到每個(gè)子進(jìn)程、運(yùn)行子進(jìn)程以及合并結(jié)果等。干得漂亮!
這也能為我們返回每個(gè)函數(shù)調(diào)用的結(jié)果。Executor.map()函數(shù)會(huì)按照和輸入數(shù)據(jù)相同的順序返回結(jié)果。所以我用了Python的zip()函數(shù)作為捷徑,一步獲取原始文件名和每一步中的匹配結(jié)果。
這里是經(jīng)過這三步改動(dòng)后的程序代碼:
import globimport osfrom PIL import Imageimport concurrent.futuresdef make_image_thumbnail(filename): # 縮略圖會(huì)被命名為 "<original_filename>_thumbnail.jpg" base_filename, file_extension = os.path.splitext(filename) thumbnail_filename = f"{base_filename}_thumbnail{file_extension}" # 創(chuàng)建和保存縮略圖 image = Image.open(filename) image.thumbnail(size=(128, 128)) image.save(thumbnail_filename, "JPEG") return thumbnail_filename# 創(chuàng)建Process Pool,默認(rèn)為電腦的每個(gè)CPU創(chuàng)建一個(gè)with concurrent.futures.ProcessPoolExecutor() as executor: # 獲取需要處理的文件列表 image_files = glob.glob("*.jpg") # 處理文件列表,但通過Process Pool劃分工作,使用全部CPU! for image_file, thumbnail_file in zip(image_files, executor.map(make_image_thumbnail, image_files)): print(f"A thumbnail for {image_file} was saved as {thumbnail_file}")復(fù)制代碼我們來(lái)運(yùn)行一下這段腳本,看看它是否以更快的速度完成數(shù)據(jù)處理:
$ time python3 thumbnails_2.pyA thumbnail for 1430028941_4db9dedd10.jpg was saved as 1430028941_4db9dedd10_thumbnail.jpg[... about 1000 more lines of output ...]real 0m2.274suser 0m8.959ssys 0m0.951s復(fù)制代碼腳本在2.2秒就處理完了數(shù)據(jù)!比原來(lái)的版本提速4倍!之所以能更快的處理數(shù)據(jù),是因?yàn)槲覀兪褂昧?個(gè)CPU而不是1個(gè)。
但是如果你仔細(xì)看看,會(huì)發(fā)現(xiàn)“用戶”時(shí)間幾乎為9秒。那為何程序處理時(shí)間為2.2秒,但不知怎么搞得運(yùn)行時(shí)間還是9秒?這似乎不太可能?。?/p>
這是因?yàn)椤坝脩簟睍r(shí)間是所有CPU時(shí)間的總和,我們最終完成工作的CPU時(shí)間總和一樣,都是9秒,但我們使用4個(gè)CPU完成的,實(shí)際處理數(shù)據(jù)時(shí)間只有2.2秒!
注意:?jiǎn)⒂酶郟ython進(jìn)程以及給子進(jìn)程分配數(shù)據(jù)都會(huì)占用時(shí)間,因此靠這個(gè)方法并不能保證總是能大幅提高速度。如果你要處理非常大的數(shù)據(jù)集,這里有篇設(shè)置將數(shù)據(jù)集切分成多少小塊的文章,可以讀讀,會(huì)對(duì)你幫助甚大.
這種方法總能幫我的數(shù)據(jù)處理腳本提速嗎?如果你有一列數(shù)據(jù),并且每個(gè)數(shù)據(jù)都能單獨(dú)處理時(shí),使用我們這里所說的Process Pools是一個(gè)提速的好方法。下面是一些適合使用并行處理的例子:
從一系列單獨(dú)的網(wǎng)頁(yè)服務(wù)器日志里抓取統(tǒng)計(jì)數(shù)據(jù)。
從一堆XML,CSV和JSON文件中解析數(shù)據(jù)。
對(duì)大量圖片數(shù)據(jù)做預(yù)處理,建立機(jī)器學(xué)習(xí)數(shù)據(jù)集。
但也要記住,Process Pools并不是萬(wàn)能的。使用Process Pool需要在獨(dú)立的Python處理進(jìn)程之間來(lái)回傳遞數(shù)據(jù)。如果你要處理的數(shù)據(jù)不能在處理過程中被有效地傳遞,這種方法就行不通了。簡(jiǎn)而言之,你處理的數(shù)據(jù)必須是Python知道怎么應(yīng)對(duì)的類型。
同時(shí),也無(wú)法按照一個(gè)預(yù)想的順序處理數(shù)據(jù)。如果你需要前一步的處理結(jié)果來(lái)進(jìn)行下一步,這種方法也行不通。
那GIL的問題呢?你可能知道Python有個(gè)叫全局解釋器鎖(Global Interpreter Lock)的東西,即GIL。這意味著即使你的程序是多線程的,每個(gè)線程也只能執(zhí)行一個(gè)Python指令。GIL確保任何時(shí)候都只有一個(gè)Python線程執(zhí)行。換句話說,多線程的Python代碼并不能真正地并行運(yùn)行,從而無(wú)法充分利用多核CPU。
但是Process Pool能解決這個(gè)問題!因?yàn)槲覀兪沁\(yùn)行單獨(dú)的Python實(shí)例,每個(gè)實(shí)例都有自己的GIL。這樣我們獲得是真正能并行處理的Python代碼!
不要害怕并行處理!有了concurrent.futures庫(kù),Python就能讓你簡(jiǎn)簡(jiǎn)單單地修改一下腳本后,立刻讓你電腦上所有CPU投入到工作中。不要害怕嘗試這種方法,一旦你掌握了,它就跟一個(gè)for循環(huán)一樣簡(jiǎn)單,卻能讓你的數(shù)據(jù)處理腳本快到飛起。
本文版權(quán)歸黑馬程序員人工智能+Python培訓(xùn)學(xué)院所有,歡迎轉(zhuǎn)載,轉(zhuǎn)載請(qǐng)注明作者出處。謝謝!
作者:黑馬程序員人工智能+Python培訓(xùn)學(xué)院
首發(fā):http://python.itheima.com/