问题起因
最近要将一个文本分割成好几个topic,每个topic设计一个regressor,各regressor是相互独立的,最后汇总所有topic的regressor得到总得预测结果。没错!类似bagging ensemble!只是我没有抽样。文本不大,大概3000行,topic个数为8,于是我写了一个串行的程序,一个topic算完之后再算另一个topic。可是我在每个topic中用了GridSearchCV来调参,又要选特征又要调整regressor的参数,导致参数组合一共有1782种。我真是低估了调参的时间,程序跑了一天一夜最后因为忘记import一个库导致最终的预测精度没有算出来。后来想到,既然每个topic的预测都是独立的,那是不是可以并行呢?
Python中的多线程与多进程
但是听闻Python的多线程实际上并不能真正利用多核,所以如果使用多线程实际上还是在一个核上做并发处理。不过,如果使用多进程就可以真正利用多核,因为各进程之间是相互独立的,不共享资源,可以在不同的核上执行不同的进程,达到并行的效果。同时在我的问题中,各topic相互独立,不涉及进程间的通信,只需最后汇总结果,因此使用多进程是个不错的选择。
multiprocessing
一个子进程
multiprocessing模块提供process类实现新建进程。下述代码是新建一个子进程。
from multiprocessing importProcessdeff(name):print 'hello', nameif __name__ == '__main__':
p= Process(target=f, args=('bob',)) #新建一个子进程p,目标函数是f,args是函数f的参数列表
p.start() #开始执行进程
p.join() #等待子进程结束
上述代码中p.join()的意思是等待子进程结束后才执行后续的操作,一般用于进程间通信。例如有一个读进程pw和一个写进程pr,在调用pw之前需要先写pr.join(),表示等待写进程结束之后才开始执行读进程。
创建多个子进程
importmultiprocessingdefworker(num):"""thread worker function"""
print 'Worker:', numreturn
if __name__ == '__main__':
jobs=[]for i in range(5):
p= multiprocessing.Process(target=worker, args=(i,))
jobs.append(p)
p.start()
确定当前的进程,即是给进程命名,方便标识区分,跟踪
importmultiprocessingimporttimedefworker():
name=multiprocessing.current_process().nameprint name, 'Starting'time.sleep(2)print name, 'Exiting'
defmy_service():
name=multiprocessing.current_process().nameprint name, 'Starting'time.sleep(3)print name, 'Exiting'
if __name__ == '__main__':
service= multiprocessing.Process(name='my_service',
target=my_service)
worker_1= multiprocessing.Process(name='worker 1',
target=worker)
worker_2= multiprocessing.Process(target=worker) #default name
worker_1.start()
worker_2.start()
service.start()
守护进程
守护进程就是不阻挡主程序退出,自己干自己的 mutilprocess.setDaemon(True)
就这句
等待守护进程退出,要加上join,join可以传入浮点数值,等待n久就不等了
importmultiprocessingimporttimeimportsysdefdaemon():
name=multiprocessing.current_process().nameprint 'Starting:', name
time.sleep(2)print 'Exiting :', namedefnon_daemon():
name=multiprocessing.current_process().nameprint 'Starting:', nameprint 'Exiting :', nameif __name__ == '__main__':
d= multiprocessing.Process(name='daemon',
target=daemon)
d.daemon=True
n= multiprocessing.Process(name='non-daemon',
target=non_daemon)
n.daemon=False
d.start()
n.start()
d.join(1)print 'd.is_alive()', d.is_alive()
n.join()
终止进程
最好使用 poison pill,强制的使用terminate()
注意 terminate之后要join,使其可以更新状态
importmultiprocessingimporttimedefslow_worker():print 'Starting worker'time.sleep(0.1)print 'Finished worker'
if __name__ == '__main__':
p= multiprocessing.Process(target=slow_worker)print 'BEFORE:', p, p.is_alive()
p.start()print 'DURING:', p, p.is_alive()
time.sleep(0.2) #模拟子进程没运行完就退出
p.terminate()print 'TERMINATED:', p, p.is_alive()
p.join()print 'JOINED:', p, p.is_alive()
进程的退出状态
== 0 未生成任何错误
0 进程有一个错误,并以该错误码退出
< 0 进程由一个-1 * exitcode信号结束
importmultiprocessingimportsysimporttimedefexit_error():
sys.exit(1)defexit_ok():return
defreturn_value():return 1
defraises():raise RuntimeError('There was an error!')defterminated():
time.sleep(3)if __name__ == '__main__':
jobs=[]for f in[exit_error, exit_ok, return_value, raises, terminated]:print 'Starting process for', f.func_name
j= multiprocessing.Process(target=f, name=f.func_name)
jobs.append(j)
j.start()
jobs[-1].terminate()for j injobs:
j.join()print '%15s.exitcode = %s' % (j.name, j.exitcode)
日志
方便的调试,可以用logging
importmultiprocessingimportloggingimportsysdefworker():print 'Doing some work'sys.stdout.flush()if __name__ == '__main__':
multiprocessing.log_to_stderr()
logger=multiprocessing.get_logger()
logger.setLevel(logging.INFO)
p= multiprocessing.Process(target=worker)
p.start()
p.join()
派生进程
利用class来创建进程,定制子类
importmultiprocessingclassWorker(multiprocessing.Process):defrun(self):print 'In %s' %self.namereturn
if __name__ == '__main__':
jobs=[]for i in range(5):
p=Worker()
jobs.append(p)
p.start()for j injobs:
j.join()
多个子进程
如果要同时创建多个子进程可以使用multiprocessing.Pool类。该类可以创建一个进程池,然后在多个核上执行这些进程。
importmultiprocessingimporttimedeffunc(msg):print multiprocessing.current_process().name + '-' +msgif __name__ == "__main__":
pool= multiprocessing.Pool(processes=4) #创建4个进程
for i in xrange(10):
msg= "hello %d" %(i)
pool.apply_async(func, (msg, ))
pool.close()#关闭进程池,表示不能在往进程池中添加进程
pool.join() #等待进程池中的所有进程执行完毕,必须在close()之后调用
print "Sub-process(es) done."
输出结果如下:
Sub-process(es) done.
PoolWorker-34-hello 1
PoolWorker-33-hello 0
PoolWorker-35-hello 2
PoolWorker-36-hello 3
PoolWorker-34-hello 7
PoolWorker-33-hello 4
PoolWorker-35-hello 5
PoolWorker-36-hello 6
PoolWorker-33-hello 8
PoolWorker-36-hello 9
上述代码中的pool.apply_async()是apply()函数的变体,apply_async()是apply()的并行版本,apply()是apply_async()的阻塞版本,使用apply()主进程会被阻塞直到函数执行结束,所以说是阻塞版本。apply()既是Pool的方法,也是Python内置的函数,两者等价。可以看到输出结果并不是按照代码for循环中的顺序输出的。
多个子进程并返回值
apply_async()本身就可以返回被进程调用的函数的返回值。上一个创建多个子进程的代码中,如果在函数func中返回一个值,那么pool.apply_async(func, (msg, ))的结果就是返回pool中所有进程的值的对象(注意是对象,不是值本身)。
importmultiprocessingimporttimedeffunc(msg):return multiprocessing.current_process().name + '-' +msgif __name__ == "__main__":
pool= multiprocessing.Pool(processes=4) #创建4个进程
results =[]for i in xrange(10):
msg= "hello %d" %(i)
results.append(pool.apply_async(func, (msg, )))
pool.close()#关闭进程池,表示不能再往进程池中添加进程,需要在join之前调用
pool.join() #等待进程池中的所有进程执行完毕
print ("Sub-process(es) done.")for res inresults:print (res.get())
上述代码输出结果如下:
Sub-process(es) done.
PoolWorker-37-hello 0
PoolWorker-38-hello 1
PoolWorker-39-hello 2
PoolWorker-40-hello 3
PoolWorker-37-hello 4
PoolWorker-38-hello 5
PoolWorker-39-hello 6
PoolWorker-37-hello 7
PoolWorker-40-hello 8
PoolWorker-38-hello 9
与之前的输出不同,这次的输出是有序的。
如果电脑是八核,建立8个进程,在Ubuntu下输入top命令再按下大键盘的1,可以看到每个CPU的使用率是比较平均的,如下图:
在system monitor中也可以清楚看到执行多进程前后CPU使用率曲线的差异。
子进程执行完毕执行回调函数
#coding=utf-8
importosimportsignalimporttracebackimportmultiprocessingdefwork(i):try:print('child success')1/0exceptException,e:printtraceback.print_exc()defcb(e):#print e
print '子进程执行成功,会主动调用回调函数,子进程失败,不添加异常处理不会调用回调函数'
defmain():
pool= multiprocessing.Pool(processes=10)for i in range(0, 2):
pool.apply_async(work, (i,), callback=cb)
pool.close()
pool.join()print('success')if __name__ == '__main__':
main()
python进程间传递消息
这一块我之前结合SocketServer写过一点,见Python多进程
一般的情况是Queue来传递。
importmultiprocessingclassMyFancyClass(object):def __init__(self, name):
self.name=namedefdo_something(self):
proc_name=multiprocessing.current_process().nameprint 'Doing something fancy in %s for %s!' %\
(proc_name, self.name)defworker(q):
obj=q.get()
obj.do_something()if __name__ == '__main__':
queue=multiprocessing.Queue()
p= multiprocessing.Process(target=worker, args=(queue,))
p.start()
queue.put(MyFancyClass('Fancy Dan'))#Wait for the worker to finish
queue.close()
queue.join_thread()
p.join()importmultiprocessingimporttimeclassConsumer(multiprocessing.Process):def __init__(self, task_queue, result_queue):
multiprocessing.Process.__init__(self)
self.task_queue=task_queue
self.result_queue=result_queuedefrun(self):
proc_name=self.namewhileTrue:
next_task=self.task_queue.get()if next_task isNone:#Poison pill means shutdown
print '%s: Exiting' %proc_name
self.task_queue.task_done()break
print '%s: %s' %(proc_name, next_task)
answer=next_task()
self.task_queue.task_done()
self.result_queue.put(answer)return
classTask(object):def __init__(self, a, b):
self.a=a
self.b=bdef __call__(self):
time.sleep(0.1) #pretend to take some time to do the work
return '%s * %s = %s' % (self.a, self.b, self.a *self.b)def __str__(self):return '%s * %s' %(self.a, self.b)if __name__ == '__main__':#Establish communication queues
tasks =multiprocessing.JoinableQueue()
results=multiprocessing.Queue()#Start consumers
num_consumers = multiprocessing.cpu_count() * 2
print 'Creating %d consumers' %num_consumers
consumers=[ Consumer(tasks, results)for i inxrange(num_consumers) ]for w inconsumers:
w.start()#Enqueue jobs
num_jobs = 10
for i inxrange(num_jobs):
tasks.put(Task(i, i))#Add a poison pill for each consumer
for i inxrange(num_consumers):
tasks.put(None)#Wait for all of the tasks to finish
tasks.join()#Start printing results
whilenum_jobs:
result=results.get()print 'Result:', result
num_jobs-= 1
进程间信号传递
Event提供一种简单的方法,可以在进程间传递状态信息。事件可以切换设置和未设置状态。通过使用一个可选的超时值,时间对象的用户可以等待其状态从未设置变为设置。
importmultiprocessingimporttimedefwait_for_event(e):"""Wait for the event to be set before doing anything"""
print 'wait_for_event: starting'e.wait()print 'wait_for_event: e.is_set()->', e.is_set()defwait_for_event_timeout(e, t):"""Wait t seconds and then timeout"""
print 'wait_for_event_timeout: starting'e.wait(t)print 'wait_for_event_timeout: e.is_set()->', e.is_set()if __name__ == '__main__':
e=multiprocessing.Event()
w1= multiprocessing.Process(name='block',
target=wait_for_event,
args=(e,))
w1.start()
w2= multiprocessing.Process(name='nonblock',
target=wait_for_event_timeout,
args=(e, 2))
w2.start()print 'main: waiting before calling Event.set()'time.sleep(3)
e.set()print 'main: event is set'
背景
最近在解决问题的时候遇到了上下文冲突的问题,不得不用多进程来解决这个问题。这个问题是StackOverflow没有完整答案的问题,下一篇博客进行介绍。
多进程
python中使用multiprocessing模块实现多进程。multiprocessing模块提供了一个Process类来代表一个进程对象,这个模块表示像线程一样管理进程,是multiprocessing的核心,它与threading很相似,对多核CPU的利用率会比threading好的多。
Pool类
Pool类可以提供指定数量的进程供用户调用,当有新的请求提交到Pool中时,如果池还没有满,就会创建一个新的进程来执行请求。如果池满,请求就会告知先等待,直到池中有进程结束,才会创建新的进程来执行这些请求。
Pool 中提供了如下几个方法:
这里主要说一下apply和apply_async两个,其他的内容可以进行百度搜索
apply
apply函数主要用于传递不定参数,主进程会被阻塞到函数执行结束。也就是说只有apply里面的内容被执行完了,才会进行执行主函数的内容。
apply_async
主进程与子进程是并发执行的,进程之间默认是不能共享全局变量的(子进程不能改变主进程中全局变量的值)。如果要共享全局变量需要用(multiprocessing.Value("d",10.0),数值)(multiprocessing.Array("i",[1,2,3,4,5]),数组)(multiprocessing.Manager().dict(),字典)(multiprocessing.Manager().list(range(5)))。进程通信(进程之间传递数据)用进程队列(multiprocessing.Queue(),单向通信),管道( multiprocessing.Pipe() ,双向通信)。
importmultiprocessingimporttimeimportos
datalist=['+++'] #全局变量,主进程与子进程是并发执行的,他们不能共享全局变量(子进程不能改变主进程中全局变量的值)
defadddata():globaldatalist
datalist.append(1)
datalist.append(2)
datalist.append(3)print("子进程",os.getpid(),datalist)if __name__=="__main__":
p=multiprocessing.Process(target=adddata,args=())
p.start()
p.join()
datalist.append("a")
datalist.append("b")
datalist.append("c")print("主进程",os.getpid(),datalist)
进程之间共享数据(数值型):
importmultiprocessingdeffunc(num):
num.value=10.78 #子进程改变数值的值,主进程跟着改变
if __name__=="__main__":
num=multiprocessing.Value("d",10.0) #d表示数值,主进程与子进程共享这个value。(主进程与子进程都是用的同一个value)
print(num.value)
p=multiprocessing.Process(target=func,args=(num,))
p.start()
p.join()print(num.value)
进程之间共享数据(数组型):
importmultiprocessingdeffunc(num):
num[2]=9999 #子进程改变数组,主进程跟着改变
if __name__=="__main__":
num=multiprocessing.Array("i",[1,2,3,4,5]) #主进程与子进程共享这个数组
print(num[:])
p=multiprocessing.Process(target=func,args=(num,))
p.start()
p.join()print(num[:])
进程之间共享数据(dict,list):
importmultiprocessingdeffunc(mydict,mylist):
mydict["index1"]="aaaaaa" #子进程改变dict,主进程跟着改变
mydict["index2"]="bbbbbb"mylist.append(11) #子进程改变List,主进程跟着改变
mylist.append(22)
mylist.append(33)if __name__=="__main__":
with multiprocessing.Manager() as MG:#重命名
mydict=multiprocessing.Manager().dict() #主进程与子进程共享这个字典
mylist=multiprocessing.Manager().list(range(5)) #主进程与子进程共享这个List
p=multiprocessing.Process(target=func,args=(mydict,mylist))
p.start()
p.join()print(mylist)print(mydict)