python多处理与线程对于Windows和Linux上的cpu绑定工作

python multiprocessing vs threading for cpu bound work on windows and linux

因此,我编写了一些测试代码,以了解与线程相比,多处理模块将如何在CPU绑定的工作上进行扩展。在Linux上,我得到了预期的性能提高:

1
2
3
4
linux (dual quad core xeon):
serialrun took 1192.319 ms
parallelrun took 346.727 ms
threadedrun took 2108.172 ms

我的双核MacBook Pro显示了相同的行为:

1
2
3
4
osx (dual core macbook pro)
serialrun took 2026.995 ms
parallelrun took 1288.723 ms
threadedrun took 5314.822 ms

然后我在一台Windows机器上进行了尝试,得到了一些非常不同的结果。

1
2
3
4
windows (i7 920):
serialrun took 1043.000 ms
parallelrun took 3237.000 ms
threadedrun took 2343.000 ms

为什么,为什么,多处理方法在Windows上会慢得多?

测试代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
#!/usr/bin/env python

import multiprocessing
import threading
import time

def print_timing(func):
    def wrapper(*arg):
        t1 = time.time()
        res = func(*arg)
        t2 = time.time()
        print '%s took %0.3f ms' % (func.func_name, (t2-t1)*1000.0)
        return res
    return wrapper


def counter():
    for i in xrange(1000000):
        pass

@print_timing
def serialrun(x):
    for i in xrange(x):
        counter()

@print_timing
def parallelrun(x):
    proclist = []
    for i in xrange(x):
        p = multiprocessing.Process(target=counter)
        proclist.append(p)
        p.start()

    for i in proclist:
        i.join()

@print_timing
def threadedrun(x):
    threadlist = []
    for i in xrange(x):
        t = threading.Thread(target=counter)
        threadlist.append(t)
        t.start()

    for i in threadlist:
        i.join()

def main():
    serialrun(50)
    parallelrun(50)
    threadedrun(50)

if __name__ == '__main__':
    main()


用于多处理的python文档将Windows中的问题归咎于缺少os.fork()。在这里可能适用。

看看当你导入psyco时会发生什么。首先,安装简单:

1
2
3
4
5
6
7
8
C:\Users\hughdbrown>\Python26\scripts\easy_install.exe psyco
Searching for psyco
Best match: psyco 1.6
Adding psyco 1.6 to easy-install.pth file

Using c:\python26\lib\site-packages
Processing dependencies for psyco
Finished processing dependencies for psyco

将其添加到python脚本的顶部:

1
2
import psyco
psyco.full()

我得到这些结果时没有:

1
2
3
serialrun took 1191.000 ms
parallelrun took 3738.000 ms
threadedrun took 2728.000 ms

我通过以下方式获得这些结果:

1
2
3
serialrun took 43.000 ms
parallelrun took 3650.000 ms
threadedrun took 265.000 ms

平行线仍然很慢,但其他的线会燃烧橡胶。

编辑:同样,尝试使用多处理池。(这是我第一次尝试这个,速度太快了,我想我一定错过了什么。)

1
2
3
4
@print_timing
def parallelpoolrun(reps):
    pool = multiprocessing.Pool(processes=4)
    result = pool.apply_async(counter, (reps,))

结果:

1
2
3
4
5
C:\Users\hughdbrown\Documents\python\StackOverflow>python  1289813.py
serialrun took 57.000 ms
parallelrun took 3716.000 ms
parallelpoolrun took 128.000 ms
threadedrun took 58.000 ms


在UNIX变体下,进程更轻。Windows进程很重,启动要花很多时间。线程是在Windows上执行多处理的推荐方法。


有人说,在Windows上创建进程比在Linux上更昂贵。如果你在网站上搜索,你会发现一些信息。这是我很容易找到的。


刚开始游泳池需要很长时间。我在"现实世界"程序中发现,如果我可以打开一个池,并将其用于许多不同的进程,通过方法调用(通常使用map.async)传递引用,那么在Linux上我可以节省几个百分点,但在Windows上,我通常可以将花费的时间减半。对于我的特定问题,Linux总是更快,但即使在Windows上,我也能从多处理中获得好处。


当前,counter()函数没有修改太多的状态。尝试更改counter(),以便它修改许多内存页。然后运行一个CPU绑定的循环。看看Linux和Windows之间是否还有很大的差异。

我现在没有运行python 2.6,所以我不能自己尝试它。