我正在学习使用 Python 的 Multiprocessing 包解决令人尴尬的并行问题,因此我编写了串行和并行版本来确定小于或等于自然数 n 的素数的数量。基于我从 blog post 中读到的内容和一个 Stack Overflow question ,我想出了以下代码:
系列
import math
import time
def is_prime(start, end):
"""determine how many primes within given range"""
numPrime = 0
for n in range(start, end+1):
isPrime = True
for i in range(2, math.floor(math.sqrt(n))+1):
if n % i == 0:
isPrime = False
break
if isPrime:
numPrime += 1
if start == 1:
numPrime -= 1 # since 1 is not prime
return numPrime
if __name__ == "__main__":
natNum = 0
while natNum < 2:
natNum = int(input('Enter a natural number greater than 1: '))
startTime = time.time()
finalResult = is_prime(1, natNum)
print('Elapsed time:', time.time()-startTime, 'seconds')
print('The number of primes <=', natNum, 'is', finalResult)
平行
import math
import multiprocessing as mp
import numpy
import time
def is_prime(vec, output):
"""determine how many primes in vector"""
numPrime = 0
for n in vec:
isPrime = True
for i in range(2, math.floor(math.sqrt(n))+1):
if n % i == 0:
isPrime = False
break
if isPrime:
numPrime += 1
if vec[0] == 1:
numPrime -= 1 # since 1 is not prime
output.put(numPrime)
def chunks(vec, n):
"""evenly divide list into n chunks"""
for i in range(0, len(vec), n):
yield vec[i:i+n]
if __name__ == "__main__":
natNum = 0
while natNum < 2:
natNum = int(input('Enter a natural number greater than 1: '))
numProc = 0
while numProc < 1:
numProc = int(input('Enter the number of desired parallel processes: '))
startTime = time.time()
numSplits = math.ceil(natNum/numProc)
splitList = list(chunks(tuple(range(1, natNum+1)), numSplits))
output = mp.Queue()
processes = [mp.Process(target=is_prime, args=(splitList[jobID], output))
for jobID in range(numProc)]
for p in processes:
p.start()
for p in processes:
p.join()
print('Elapsed time:', time.time()-startTime, 'seconds')
procResults = [output.get() for p in processes]
finalResult = numpy.sum(numpy.array(procResults))
print('Results from each process:\n', procResults)
print('The number of primes <=', natNum, 'is', finalResult)
这是我得到的 n=10000000(对于并行我请求 8 个进程):
$ python serial_prime_test.py
Enter a natural number greater than 1: 10000000
Elapsed time: 162.1960825920105 seconds
The number of primes <= 10000000 is 664579
$ python parallel_prime_test.py
Enter a natural number greater than 1: 10000000
Enter the number of desired parallel processes: 8
Elapsed time: 49.41204643249512 seconds
Results from each process:
[96469, 86603, 83645, 80303, 81796, 79445, 78589, 77729]
The number of primes <= 10000000 is 664579
所以看起来我可以获得超过 3 倍的加速。这是我的 问题 :
任何帮助表示赞赏。
编辑:有 4 个物理内核,能够进行超线程。
最佳答案
我认为你想以不同的方式划分工作。
尽管您的程序将候选整数的范围均匀地划分到内核之间,但每个范围内的工作不可能是均匀的。这意味着一些内核提前完成,无事可做,而其他内核仍在运行。这会很快失去并行效率。
只是为了说明这一点,假设您有 1000 个内核。第一个核心看到非常小的候选数字,不需要很长时间就可以分解它们,然后就闲置了。最后一个(千分之一)核心只看到非常大的候选数字,并且需要更长的时间来分解它们。所以它运行,而第一个核心闲置。浪费的周期。 4核也是如此。
当传递给内核的工作量未知时,您想要做的是将许多中等大小的块交给所有内核,比内核数量多得多。然后内核可能会以不均匀的速度完成,每个内核都会回去寻找更多的工作要做。这本质上是一种工作列表算法。你最终会得到不均匀的结果,但它只是在小块上,所以不会浪费太多。
我不是 Python 程序员,所以我用 Parlanse 编写了一个解决方案。
(includeunique `Console.par')
(includeunique `Timer.par')
(define upper_limit 10000000)
(define candidates_per_segment 10)
(define candidates_per_segment2 (constant (* candidates_per_segment 2)))
(= [prime_count natural] 0)
[prime_finding_team team]
(define primes_in_segment
(action (procedure [lower natural] [upper natural])
(;;
(do [candidate natural] lower upper 2
(block test_primality
(local (= [divisor natural] 3)
(;;
(while (< (* divisor divisor) candidate)
(ifthenelse (== (modulo candidate divisor) 0)
(exitblock test_primality)
(+= divisor 2)
)ifthenelse
)while
(ifthen (~= (* divisor divisor) candidate)
(consume (atomic+= prime_count))
)ifthen
);;
)local
)block
)do
);;
)action
)define
(define main
(action (procedure void)
(local [timer Timer:Timer]
(;;
(Console:Put (. `Number of primes found: '))
(Timer:Reset (. timer))
(do [i natural] 1 upper_limit candidates_per_segment2
(consume (draft prime_finding_team primes_in_segment
`lower':i
`upper':(minimum upper_limit (- (+ i candidates_per_segment2) 2))))
)do
(consume (wait (@ (event prime_finding_team))))
(Timer:Stop (. timer))
(Console:PutNatural prime_count)
(Console:PutNewline)
(Timer:PrintElapsedTime (. timer) (. `Parallel computed in '))
(Console:PutNewline)
);;
)local
)action
)define
Parlanse 看起来像 LISP,但工作和编译更像 C。
worker 是 primes_in_segment;它采用由参数下限和上限定义的一系列候选值。它尝试该范围内的每个候选者,如果该候选者是素数,则(原子地)增加总 prime_count。
整个范围被 do 分成小范围的数据包(奇数序列)
在主循环。并行发生在draft 命令上,它创建一个并行执行的计算粒度(不是Windows 线程)并将其添加到prime_finding_team,这是一个代表所有素数分解的聚合工作集。 (团队的目的是让所有这些工作作为一个单元进行管理,例如,必要时销毁,本程序不需要)。 Draft 的参数是要由 fork 的grain 运行的函数及其参数。这项工作是由 Parlanse 管理的一组 (Windows) 线程使用工作窃取算法完成的。如果工作过多,Parlanse 会限制产生工作的颗粒,并将其能量用于执行纯计算的颗粒。
一个人只能将一个候选值传递给每个粒度,但是每个候选者会有更多的 fork 开销,总运行时间相应地变得更糟。我们根据经验选择了 10 个,以确保每个候选范围的 fork 开销很小;将每个段的候选设置为 1000 并不会带来太多额外的加速。
do 循环只是尽可能快地制造工作。当有足够的并行性可用时,Parlanse 会限制草稿步骤。等待团队事件,导致主程序等待所有团队成员完成。
我们在 HP 六核 AMD Phenom II X6 1090T 3.2 GHz 上运行它。
执行运行如下;首先是 1 个 CPU:
>run -p1 -v ..\teamprimes
PARLANSE RTS: Version 19.1.53
# Processors = 1
Number of primes found: 664579
Parallel computed in 13.443294 seconds
---- PARLANSE RTS: Performance Statistics
Duration = 13.527557 seconds.
CPU Time Statistics:
Kernel CPU Time: 0.031s
User CPU Time: 13.432s
Memory Statistics:
Peak Memory Usage : 4.02 MBytes
Steals: 0 Attempts: 0 Success rate: 0.0% Work Rediscovered: 0
Exiting with final status 0.
然后对于 6 个 CPU(很好地扩展):
>run -p6 -v ..\teamprimes
PARLANSE RTS: Version 19.1.53
# Processors = 6
Number of primes found: 664579
Parallel computed in 2.443123 seconds
---- PARLANSE RTS: Performance Statistics
Duration = 2.538972 seconds.
CPU Time Statistics:
Kernel CPU Time: 0.000s
User CPU Time: 14.102s
Total CPU Time: 14.102s
Memory Statistics:
Peak Memory Usage : 4.28 MBytes
Steals: 459817 Attempts: 487334 Success rate: 94.4% Work Rediscovered: 153
您注意到并行版本的总 CPU 时间与串行版本大致相同;这是因为他们在做同样的工作。
考虑到 Python 的“fork”和“join”操作,我确信有一个 Python 等价物可以轻松编写代码。由于可能同时出现太多 fork ,它可能会耗尽空间或线程。 (使用
candidates_per_segment
在 10 处,Parlanse 下运行的活 Cereal 多达 100 万个)。这就是自动限制工作生成的地方。作为替代,您可以设置 candidates_per_segment
到更大的数字,例如 10000,这意味着您只能在最坏的情况下获得 1000 个线程。 (由于 Python 的解释性,我认为您仍然会付出高昂的代价)。当您将每个段的候选设置越来越接近 1e7/4 时,您将接近使用当前 Python 代码的确切行为。
关于python - 使用 Python Multiprocessing 的令人尴尬的并行任务的预期加速,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26555745/