(场景)单线程处理转换成多线程

        因测试环境数据量不大,单线程足以处理,而实际生产环境的数据量比较大,每分钟的数据处理量也比较大,数据库的IO操作次数频繁,已经不能解决。故考虑转换多线程处理;

        前期遇见问题:

在什么时候进行多线程处理,当时想到两种解决方案,

        第一种是在数据接入进来的时候,就进行,此时数据的存库和转发是串行的,也就是是处理完数据库然后进行数据的转发;优点是只需要在接受统一处理,修改方便,缺点是消息的转发还是会受到数据库处理的限制,当数据量比较大或者服务器的硬件性能不够好时还是会影响数据的传输速度

        第二种是在把转发和数据库的处理进行分开处理,这样数据的解析和转发就会很快到下游应用,就有了及时的数据;

 多线程处理如何保证数据的一致性

        首先,我们的接收到数据后,进行解析然后IO处理,是单条进行的,而我们可以根据数据的特点为每条数据创建一个唯一的KEY,保证同个key的数据在放在同一个队列中,由同一线程进行处理;这里利用key的哈希值,进行分类,能达到效果

接下来就是进行开发,因为用到了spring,为保证程序的机动性,我们把线程的数量,可以创建一个线程管理类,来进行线程的创建,并通过配置文件控制线程的条数;(在进行开发的时候,因为很久没有用spring 的IOC了,所以出了一个很基础问题,在写好配置文件和代码后,发现管理类的缓存中始终拿不到对应的线程,一直报空,而管理类的单例对象又存在spring的容器中,期间百度了很久,各种解释,最后发现注入管理类的对象并没有交给spring管理,当时还想,那岂不是是我这要一层一层往上的对象全部都要交给spring,因为项目架构的原因,也不方便交给容器管理,找到原因就好解决问题了,利用SpringContextHolder可以拿到)

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
《Linux多线程服务端编程:使用muduo C++网络库》主要讲述采用现代C++在x86-64 Linux上编写多线程TCP网络服务程序的主流常规技术,重点讲解一种适应性较强的多线程服务器的编程模型,即one loop per thread。 目 录 第1部分C++ 多线程系统编程 第1章线程安全的对象生命期管理3 1.1当析构函数遇到多线程. . . . . . . . . . . . . . . . .. . . . . . . . . . . 3 1.1.1线程安全的定义. . . . . . . . . . . . . . . . .. . . . . . . . . . . 4 1.1.2MutexLock 与MutexLockGuard. . . . . . . . . . . . . . . . . . . . 4 1.1.3一个线程安全的Counter 示例.. . . . . . . . . . . . . . . . . . . 4 1.2对象的创建很简单. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 5 1.3销毁太难. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 7 1.3.1mutex 不是办法. . . . . . . . . . . . . . . . . . . .. . . . . . . . 7 1.3.2作为数据成员的mutex 不能保护析构.. . . . . . . . . . . . . . 8 1.4线程安全的Observer 有多难.. . . . . . . . . . . . . . . . . . . . . . . . 8 1.5原始指针有何不妥. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 11 1.6神器shared_ptr/weak_ptr . . . . . . . . . .. . . . . . . . . . . . . . . . 13 1.7插曲:系统地避免各种指针错误. . . . . . . . . . . . . . . . .. . . . . . 14 1.8应用到Observer 上.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.9再论shared_ptr 的线程安全.. . . . . . . . . . . . . . . . . . . . . . . . 17 1.10shared_ptr 技术与陷阱. . . .. . . . . . . . . . . . . . . . . . . . . . . . 19 1.11对象池. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 21 1.11.1enable_shared_from_this . . . . . . . . . . . . . . . . . . . . . . 23 1.11.2弱回调. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 24 1.12替代方案. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 26 1.13心得与小结. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 26 1.14Observer 之谬. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 第2章线程同步精要 2.1互斥器(mutex). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.1.1只使用非递归的mutex . . . . . . . . . . . . . .. . . . . . . . . . 33 2.1.2死锁. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 35 2.2条件变量(condition variable). . . . . . . . . .
为了加速YOLOv5的推理过程,并使用多线程和多卡GPU,有以下几个思路可以考虑: 1. 使用更快的GPU:使用性能更强大的GPU可以提高推理速度。从P100到V100再到A100是逐渐提升GPU性能的选择。 2. 多卡GPU推理:利用多张GPU卡进行并行推理可以加速处理速度。这需要使用多卡训练和推理框架,如使用PyTorch的`torch.nn.DataParallel`或使用TensorFlow的`tf.distribute.MirroredStrategy`。 3. 减小模型尺寸:通过选择YOLOv5不同版本的模型(YOLOv5x,YOLOv5l,YOLOv5m,YOLOv5s,YOLOv5n),可以在减小模型尺寸的同时保持一定的性能。这可以提高推理速度。 4. 使用半精度FP16推理:将模型参数转换为半精度浮点数格式(FP16)可以提高推理速度,同时减少内存占用。可以使用命令`python detect.py --half`来进行半精度推理。 5. 减少图像尺寸:通过减小输入图像的尺寸(如从1280到640到320)可以加快推理速度。但需要注意减小尺寸可能会影响检测精度。 6. 导出成ONNX或OpenVINO格式:将YOLOv5模型导出为ONNX或OpenVINO格式,可以获得CPU或GPU加速。这可以使用PyTorch的`torch.onnx.export`或OpenVINO的模型优化器来实现。 7. 批量输入图片进行推理:将多张图片一起输入进行推理,可以充分利用并行计算能力,从而提高推理速度。 8. 使用多进程/多线程进行推理:使用多进程或多线程进行推理可以进一步提高推理速度,特别适用于处理多张图片的场景。但需要注意,多进程推理时每个进程都需要独立创建模型,因此显存的占用可能较大。 需要注意的是,多卡GPU和多进程/多线程的推理并不会对单张图片推理起到加速作用,只适用于同时处理多张图片的场景。在进行多线程和多卡GPU推理时,可以根据单进程所占显存大小来估算显卡所支持的最大进程数。在顶配机上进行实验可以进一步验证以上方法的效果。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【目标检测】YOLOv5多进程/多线程推理加速实验](https://blog.csdn.net/qq1198768105/article/details/129992962)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值