Python 多处理比常规慢。我该如何改进？

Question

基本上有一个脚本来梳理节点/点的数据集以删除那些重叠的节点/点。实际的脚本更复杂，但我将其缩减为基本上一个简单的重叠检查，它对演示没有任何作用。我尝试了一些变体，包括锁、队列、池，一次添加一项作业，而不是批量添加。一些最严重的罪犯的速度慢了几个数量级。最终我以最快的速度完成了它。发送到各个进程的重叠检查算法：def check_overlap(args):    tolerance = args['tolerance']    this_coords = args['this_coords']    that_coords = args['that_coords']    overlaps = False    distance_x = this_coords[0] - that_coords[0]    if distance_x <= tolerance:        distance_x = pow(distance_x, 2)        distance_y = this_coords[1] - that_coords[1]        if distance_y <= tolerance:            distance = pow(distance_x + pow(distance_y, 2), 0.5)            if distance <= tolerance:               overlaps = True    return overlaps处理功能：def process_coords(coords, num_processors=1, tolerance=1):    import multiprocessing as mp    import time    if num_processors > 1:        pool = mp.Pool(num_processors)        start = time.time()        print "Start script w/ multiprocessing"    else:        num_processors = 0        start = time.time()        print "Start script w/ standard processing"    total_overlap_count = 0    # outer loop through nodes    start_index = 0    last_index = len(coords) - 1    while start_index <= last_index:        # nature of the original problem means we can process all pairs of a single node at once, but not multiple, so batch jobs by outer loop        batch_jobs = []        # inner loop against all pairs for this node        start_index += 1        count_overlapping = 0        for i in range(start_index, last_index+1, 1):            if num_processors:                # add job                batch_jobs.append({                    'tolerance': tolerance,                    'this_coords': coords[start_index],                    'that_coords': coords[i]                })尽管如此，非多处理始终在不到 0.4 秒的时间内运行，而多处理我可以达到 3.0 秒以下。我知道这里的算法可能太简单而无法真正获得好处，但考虑到上述情况有近 50 万次迭代，而实际情况有明显更多，多处理慢一个数量级对我来说很奇怪。我缺少什么/我可以做些什么来改进？

Answer 1

构建O(N**2)未在序列化代码中使用的 3 元素字典，并通过进程间管道传输它们，是保证多处理无济于事的一种很好的方法;-) 没有什么是免费的 - 一切都需要付出代价。

下面是一个重写，无论它是在串行还是多处理模式下运行，它都会执行几乎相同的代码。没有新的 dicts 等。一般来说，越大len(coords)，它从多处理中获得的好处就越多。在我的机器上，在 20000 时，多处理运行大约需要挂钟时间的三分之一。

关键是所有进程都有自己的coords. 这是通过在创建池时仅传输一次来完成的。这应该适用于所有平台。在 Linux-y 系统上，它可以通过分叉进程继承“神奇地”发生。减少跨进程发送的数据量O(N**2)来O(N)是一个巨大的进步。

充分利用多处理将需要更好的负载平衡。照原样，对 的调用check_overlap(i)与coords[i]中的每个值进行比较coords[i+1:]。越大i，越少的工作出现了为它做，并且最大值i传递的只是成本的i进程之间-而将结果发送回-沼泽耗时间在 check_overlap(i)。

def init(*args):

    global _coords, _tolerance

    _coords, _tolerance = args

def check_overlap(start_index):

    coords, tolerance = _coords, _tolerance

    tsq = tolerance ** 2

    overlaps = 0

    start0, start1 = coords[start_index]

    for i in range(start_index + 1, len(coords)):

        that0, that1 = coords[i]

        dx = abs(that0 - start0)

        if dx <= tolerance:

            dy = abs(that1 - start1)

            if dy <= tolerance:

                if dx**2 + dy**2 <= tsq:

                    overlaps += 1

    return overlaps

def process_coords(coords, num_processors=1, tolerance=1):

    global _coords, _tolerance

    import multiprocessing as mp

    _coords, _tolerance = coords, tolerance

    import time

    if num_processors > 1:

        pool = mp.Pool(num_processors, initializer=init, initargs=(coords, tolerance))

        start = time.time()

        print("Start script w/ multiprocessing")

    else:

        num_processors = 0

        start = time.time()

        print("Start script w/ standard processing")

    N = len(coords)

    if num_processors:

        total_overlap_count = sum(pool.imap_unordered(check_overlap, range(N))) 

    else:

        total_overlap_count = sum(check_overlap(i) for i in range(N))

    print(total_overlap_count)

    print("  time: {0}".format(time.time() - start))

if __name__ == "__main__":

    from random import random

    coords = []

    num_coords = 20000

    spread = 100.0

    half_spread = 0.5*spread

    for i in range(num_coords):

        coords.append([

            random()*spread-half_spread,

            random()*spread-half_spread

        ])

    process_coords(coords, 1)

    process_coords(coords, 4)