使用Ray轻松进行Python分布式计算

最新推荐文章于 2024-09-03 16:43:49 发布

AI学习不迷路

最新推荐文章于 2024-09-03 16:43:49 发布

阅读量1.2k

点赞数 26

文章标签： python 开发语言学习方法程序人生改行学it 跳槽

本文链接：https://blog.csdn.net/qkh1234567/article/details/137673912

版权

即使是具有多个CPU核心的单处理器计算机（处理器具有一个或多个核心，计算机具有一个或多个处理器），也会给人一种能够同时运行多个任务的错觉。当我们拥有多个处理器时，就可以真正以并行的方式执行计算。

一、并行计算与分布式计算的区别

并行计算在现代计算中非常有用，几乎是必需的，目的是实现最大性能。开发者将运行时间较长的计算任务分成较小的块，并将其分配给不同的处理器。这种策略使开发者能够在相同的时间内进行更多的计算。对于构建基于GUI的应用程序，总是需要对系统进行并行设计，以便一个线程可以保持可用状态以更新GUI并响应用户输入。

并行计算和分布式计算的区别在于，对于并行计算，多个处理器位于同一主板上。分布式计算则使用多台计算机同时解决问题。现代分布式系统能够在网络（局域网/广域网）上进行通信。分布式计算的优点在于其价格和可扩展性。如果开发者需要更多的计算能力，那么可以很轻松地添加更多的计算机。

从根本上讲，并行计算和分布式计算的架构非常相似。主要区别在于分布式计算使用的是分布式内存空间，而不是共享内存空间。它具有能够为开发者的应用程序提供统一逻辑（而不是物理）内存空间的软件层，可以帮助开发者将为并行计算编写的代码应用于分布式计算。

在本文中将介绍如何使用开源Python库Ray来帮助开发者进行并行和分布式计算，Ray将Pythonic函数和类转换为分布式设置中的任务和角色。本文将只介绍函数的示例，但是类的概念非常相似。

二、使用`pip`安装Ray

这将安装支持仪表板+集群启动器的Ray。

pip install 'ray[default]'

如果只想进行最小化安装：

pip install -U ray

三、使用Ray进行并行计算任务

接下来执行一个示例，该示例使用concurrent.futures，并将其与使用ray执行相同任务的运行进行比较。

import time
import concurrent.futures


Stime = time.perf_counter()
tasks = []
sleepTimes = [0.1, 0.2, 0.1, 0.5, 0.7, 0.9, 0.5,
              0.4, 1.5, 1.3, 1.0, 0.3, 0.7, 0.6, 0.3, 0.8]
print(f"Total time of sleep: {sum(sleepTimes)} for {len(sleepTimes)} tasks")

def my_awesome_function(sleepTime=0.1):
    time.sleep(sleepTime)
    return f"Sleep time {sleepTime}"

all_results = []
with concurrent.futures.ProcessPoolExecutor() as executor:
    tasks = [executor.submit(my_awesome_function, sleep)
             for sleep in sleepTimes]

    for ff in concurrent.futures.as_completed(tasks):
        all_results.append(ff.result())


print(f"Finished in {time.perf_counter()-Stime:.2f}")

这将返回：

$ python test_ray.py 
Total time of sleep: 9.9 for 16 tasks 
Finished in 1.65

这项工作在顺序执行时需要9.9秒完成。由于本文执行的是并行执行，因此在示例中只用了1.65秒就完成了这项工作。请注意，这个时间可能因为不同的计算机而有所不同。

现在使用Ray来完成同样的工作。本文首先使用ray.init()初始化Ray。然后，装饰器ray.remote将Python函数转换为可以异步远程执行的函数。它会立即返回N个可以并行执行的函数副本。

import time
import ray

import concurrent.futures


Stime = time.perf_counter()
tasks = []
sleepTimes = [0.1, 0.2, 0.1, 0.5, 0.7, 0.9, 0.5,
              0.4, 1.5, 1.3, 1.0, 0.3, 0.7, 0.6, 0.3, 0.8]
print(f"Total time of sleep: {sum(sleepTimes)} for {len(sleepTimes)} tasks")

# 初始化Ray。
ray.init()

@ray.remote #convert to a function that can be executed remotely and asynchronously
def my_awesome_function(sleepTime=0.1):
    time.sleep(sleepTime)
    return f"Sleep time {sleepTime}"

tasks = []
for sleep in sleepTimes:
    tasks.append(my_awesome_function.remote(sleep))

all_results = ray.get(tasks)
print(f"Finished in {time.perf_counter()-Stime:.2f}")

这将返回：

Total time of sleep: 9.9 for 16 tasks 
Finished in 3.18

由于存在一些开销，会有一些延迟，但对于大型计算来说，这种延迟可以忽略不计。

四、大规模计算的聚合值

Ray可以轻松地用于聚合多个值，这对于构建需要跨多台机器进行计算的大型应用程序非常重要。对于大规模计算，Ray可以将聚合的运行时间从线性改为对数。

接下来看一个示例：

import time
import ray
import numpy as np

Stime = time.perf_counter()

@ray.remote
def create_matrix(size):
    return np.random.normal(size=size)

@ray.remote
def multiply_matrices(x, y):
    return np.dot(x, y)

@ray.remote
def sum_matrices(x, y):
    return np.add(x, y)

m1 = create_matrix.remote([1000, 1000])
m2 = create_matrix.remote([1000, 1000])
m3 = create_matrix.remote([1000, 1000])
m4 = create_matrix.remote([1000, 1000])

m12 = multiply_matrices.remote(m1, m2)
m34 = multiply_matrices.remote(m3, m4)

a12_34 =  sum_matrices.remote(m12, m34)

## 结果
MM = ray.get(a12_34)


print(f"Finished in {time.perf_counter()-Stime:.2f}")