将独立块填充到全局数组中的“进程”或“线程”策略？

Question

在python2中，我想通过填充并行进程（或线程）不同的子数组（总共有16个块）来填充全局数组。我必须明确每个块不依赖于其他块，我的意思是当我执行当前块的每个单元格的分配时。1）根据我的发现，通过使用不同的“ processes” ，我将从 CPU 多核中受益匪浅，但让所有其他进程共享全局数组似乎有点复杂。2）从另一个角度来看，我可以使用“ threads”代替“ processes”，因为实现起来不那么难。我发现 libray " ThreadPool" from " multiprocessing.dummy" 允许所有其他并发线程共享这个全局数组。例如，使用 python2.7，以下代码有效：from multiprocessing.dummy import Pool as ThreadPool## discretization along x-axis and y-axis for each blockarrayCross_k = np.linspace(kMIN, kMAX, dimPoints)arrayCross_mu = np.linspace(-1, 1, dimPoints)# Build all big matrix with N total blocks = dimBlock*dimBlock = 16 herearrayFullCross = np.zeros((dimBlocks, dimBlocks, arrayCross_k.size, arrayCross_mu.size))dimBlocks = 4# Size of dimension along k and mu axisdimPoints = 100# dimension along one dimension of global arrayFullCrossdimMatCovCross = dimBlocks*dimPoints# Build cross-correlation matrix def buildCrossMatrix_loop(params_array):  # rows indices  xb = params_array[0]  # columns indices  yb = params_array[1]  # Current redshift  z = zrange[params_array[2]]  # Loop inside block  for ub in range(dimPoints):    for vb in range(dimPoints):      # Diagonal blocs       if (xb == yb):      # Fill the (xb,yb) su-block of global array by         arrayFullCross[xb][xb][ub][vb] = 2*P_obs_cross(arrayCross_k[ub], arrayCross_mu[vb] , z, 10**P_m(np.log10(arrayCross_k[ub])),但不幸的是，即使使用 20 个线程，我也意识到我的 CPU 的核心没有完全运行（实际上，使用 'top' 或 'htop' 命令，我只能看到 100% 的单个进程）。3）如果我想充分利用我的 CPU 的 16 个内核，我必须选择什么策略（就像pool.map(function, generator)) but with also the sharing of global array?4）有些人告诉我为每个子数组做I/O（基本上，将每个块写入文件并通过读取它们收集所有子数组并填充完整数组）。这个解决方案很方便，但我想避免 I/O（除非真的没有其他解决方案）。5）我已经练习MPI library了C language填充子阵列的操作，最后将它们聚集起来构建一个大阵列，不是很复杂。但是，我不想MPI与 Python 语言一起使用（即使它存在我也不知道）。6）我还尝试将Process目标等于我的填充函数（buildCrossMatrix_loop）这样使用到while上面的主循环中：

Answer 1

首先，我认为multiprocessing.ThreadPool是私有 API，因此您应该避免使用它。现在multiprocessing.dummy是一个无用的模块。它并没有做任何多线程/处理这就是为什么你看不到任何好处。您应该使用“普通”multiprocessing模块。

第二个代码不起作用，因为它使用了多个进程。进程不共享内存，因此您在子进程中所做的更改不会反映在其他子进程或主进程中。你要么想：

• 返回值并在主进程中将它们组合在一起，例如使用 multiprocessing.Pool.map

• 使用threading而不是multiprocessing: just replaceimport multiprocessing withimport threading andmultiprocessing.Process withthreading.Thread` 并且代码应该可以工作。

请注意，该threading版本将工作只是因为numpy发布的计算过程中GIL，否则将在1个CPU被卡住。

你可能想看看这个类似的问题，这我回答了两三分钟前。