什么？Python的多进程居然比单进程慢？

导读

很多时候，当我们需要使用Python来处理大量的数据的时候，为了缩短处理的时间，我们会使用多线程或多进程来并行处理任务。

由于Python全局解释器锁的存在，导致在执行多线程的时候实际上只有一个线程在运行，这使得多核CPU无法发挥它真正的效率。而多进程就可以很好的解决这个问题。如果你打开多进程的姿势不对，会导致它比单进程更慢，下面我们就来看看如何正确的打开多进程。

实验环境

• 系统：Ubuntu16.04
• Python：3.7

示例

这个示例是基于Python对图片做一个预处理

• 图片预处理

import numpy as np
import multiprocessing as mp
import cv2,os,time

def preprocess(image_bytes,output_shape=(512,512)):
    img_array = np.array(bytearray(image_bytes), dtype=np.uint8)
    img_bgr = cv2.imdecode(img_array, cv2.IMREAD_COLOR)
    img = cv2.resize(img_bgr, (output_shape[1], output_shape[0]))

    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = img.transpose((2, 0, 1)).astype(np.float32)
    img /= 255.0
    return img

• 读取图片将图片转换为bytes数组

data_dir = "/data/images"
img_name_list = os.listdir(data_dir)
img_bytes_list = []
for img_name in img_name_list:
    img_path = os.path.join(data_dir,img_name)
    with open(img_path,"rb") as rf:
        img_bytes = rf.read()
        img_bytes_list.append(img_bytes)

• 采用for循环处理批量图片

这里我们直接通过循环调用图片的预处理函数，其实也就是单进程。处理了1349张图片，一共花了将近10s。这里我为了方便就没有采用多次调用来取平均值了，如果大家想要计算的更加准确，可以采用取平均时间。

start_time = time.time()
res_img_list = []
for img_bytes in img_bytes_list:
    img = preprocess(img_bytes)
    res_img_list.append(img)
print("img_num:%d,consume time:%.2f"%(len(img_name_list),time.time()-start_time))
#img_num:1349,consume time:9.86

• 采用进程池多进程处理图片

start_time = time.time()
pool = mp.Pool(4)
#异步调用
res = pool.map_async(preprocess,img_bytes_list)
res_img_list = []
#获取处理结果
for res_img in res.get():
    res_img_list.append(res_img)
print("img_num:%d,consume time:%.2f"%(len(img_name_list),time.time()-start_time))
#img_num:1349,consume time:12.45

使用4个进程居然花了将近13s，按道理来说这不科学呀？4个进程的处理速度应该要快于单个进程，现在看来居然还更慢。也就是说，我们花了更多的硬件资源，居然还花费了更多的时间。这是为什么呢？

接下来看看，我们使用Queue来改进使用多进程对图片进行预处理

start_time = time.time()

process_num = 4
img_num = len(img_bytes_list)
chunk_size = img_num // process_num
res_queue = mp.Queue()
img_index_list = range(img_num)
def chunk_preprocess(start_index,end_index):
    for img_byte,img_index in zip(img_bytes_list[start_index:end_index],
                                 img_index_list[start_index:end_index]):
        pre_img = preprocess(img_byte)
        res_queue.put((img_index,pre_img))

task_list = []
for i in range(process_num):
    s_index = i * chunk_size
    if i == process_num - 1:
        e_index = img_num
    else:
        e_index = s_index + chunk_size
    p_task = mp.Process(target=chunk_preprocess,args=(s_index,e_index))
    task_list.append(p_task)
    p_task.start()

res_img_list = [""] * img_num
get_queue_num = 0
while True:
     res_index,res_img = res_queue.get()
     res_img_list[res_index] = res_img
     get_queue_num += 1
     if get_queue_num == img_num:
         break

for task in task_list:
    task.join()

print("img_num:%d,consume time:%.2f"%(len(img_name_list),time.time()-start_time))
#img_num:1349,consume time:6.90

惊讶的发现，当我们将进程池改为根据进程的个数来分发任务时，居然速度要快将近一倍左右。

特别注意：这里其实使用多线程来处理会比多进程的速度更快，而且消耗的资源也要少点。举这个例子只是为了说明，影响多进程速度的原因。

影响进程速度的原因

进程池速度慢可能有下面几个原因：

1. CPU资源不足，开启更多的进程只会导致速度更慢
2. 进程之间通信传输的数据量大
3. 使用了Lock处理共享的数据
4. 进程使用了大量的os.fork()

在上面的例子中，其实影响多进程速度的主要原因是因为调用preprocess函数每次都会返回一个image array占用的内存比较大，如果你将返回值由image array改为一个字符串你会发现最终它们的速度会差不多。

那为什么使用Queue的速度会比进程池快那么多呢？这里主要也是因为进程池在保存数据与Queue的差异导致的。

虽然说，我们在使用进程池的时候采用的也是异步调用的方式。但是，进程池在接受返回结果的时候使用了self.wait(timeout)，而进程池最终返回结果的顺序也和调用的时候保持一致。而Queue在保存数据的时候，会通过后台的线程来写数据，所以它最终保存的结果是乱序的，相对来说它的速度会更快点。

参考：
4. https://docs.python.org/zh-cn/3/library/multiprocessing.html
5. https://stackoverflow.com/questions/20727375/multiprocessing-pool-slower-than-just-using-ordinary-functions
6. https://gist.github.com/MichaelCurrie/314d664ccaaadde8a7e8
7. https://stackoverflow.com/questions/43439194/python-multiprocessing-queue-vs-multiprocessing-manager-queue