我們熟知Python語法簡單、功能強大、可擴展性強，但是運行速度慢是解釋型語言的通病，Python 也不例外。
在 Python 中，我們可以找到原生的并行化運算指令。今天給大家分享 3 行代碼，大大加快數(shù)據(jù)預處理的速度。
在默認情況下，Python 程序是單個進程，使用單 CPU 核心執(zhí)行。而大多數(shù)硬件都至少搭載了雙核處理器。這意味著如果沒有進行優(yōu)化，在數(shù)據(jù)預處理的時候會出現(xiàn)「一核有難九核圍觀」的情況——超過 50% 的算力都會被浪費。
幸運的是，Python 庫中內(nèi)建了一些隱藏的特性，可以讓我們充分利用所有 CPU 核心的能力。通過使用 Python 的 concurrent.futures 模塊，我們只需要 3 行代碼就可以讓一個普通的程序轉(zhuǎn)換成適用于多核處理器并行處理的程序。
一、標準方法
讓我們舉一個簡單的例子，在單個文件夾中有一個圖片數(shù)據(jù)集，其中有數(shù)萬張圖片。
在這里，我們決定使用 1000 張。我們希望在所有圖片被傳遞到深度神經(jīng)網(wǎng)絡之前將其調(diào)整為 600×600 像素分辨率的形式。以下是你經(jīng)常會在 GitHub 上看到的標準 Python 代碼：
import glob
import os
import cv2
### Loop through all jpg files in the current folder
### Resize each one to size 600x600
for image_filename in glob.glob("*.jpg"):
### Read in the image data
img = cv2.imread(image_filename)
### Resize the image
img = cv2.resize(img, (600, 600))
上面的程序遵循你在處理數(shù)據(jù)腳本時經(jīng)常看到的簡單模式：
- 首先從需要處理內(nèi)容的文件（或其他數(shù)據(jù)）列表開始。
- 使用 for 循環(huán)逐個處理每個數(shù)據(jù)，然后在每個循環(huán)迭代上運行預處理。
讓我們在一個包含 1000 個 jpeg 文件的文件夾上測試這個程序，看看運行它需要多久：
time python standard_res_conversion.py
在我的酷睿 i7-8700k 6 核 CPU 上，運行時間為 7.9864 秒！在這樣的高端 CPU 上，這種速度看起來是難以讓人接受的，看看我們能做點什么。
二、更快的方法
為了便于理解并行化的提升，假設我們需要執(zhí)行相同的任務，比如將 1000 個釘子釘入木頭，假如釘入一個需要一秒，一個人就需要 1000 秒來完成任務。四個人組隊就只需要 250 秒。
在我們這個包含 1000 個圖像的例子中，可以讓 Python 做類似的工作：
- 將 jpeg 文件列表分成 4 個小組；
- 運行 Python 解釋器中的 4 個獨立實例；
- 讓 Python 的每個實例處理 4 個數(shù)據(jù)小組中的一個；
- 結(jié)合四個處理過程得到的結(jié)果得出最終結(jié)果列表。
這一方法的重點在于，Python 幫我們處理了所有棘手的工作。我們只需告訴它我們想要運行哪個函數(shù)，要用多少 Python 實例，剩下的就交給它了！只需改變?nèi)写a。實例：
import glob
import os
import cv2
import concurrent.futures
def load_and_resize(image_filename):
### Read in the image data
img = cv2.imread(image_filename)
### Resize the image
img = cv2.resize(img, (600, 600))
### Create a pool of processes. By default, one is created for each CPU in your machine.
with concurrent.futures.ProcessPoolExecutor() as executor:
### Get a list of files to process
image_files = glob.glob("*.jpg")
### Process the list of files, but split the work across the process pool to use all CPUs
### Loop through all jpg files in the current folder
### Resize each one to size 600x600
executor.map(load_and_resize, image_files)
從以上代碼中摘出一行：
with concurrent.futures.ProcessPoolExecutor() as executor:
你的 CPU 核越多，啟動的 Python 進程越多，我的 CPU 有 6 個核。實際處理代碼如下：
executor.map(load_and_resize, image_files)
「executor.map()」將你想要運行的函數(shù)和列表作為輸入，列表中的每個元素都是我們函數(shù)的單個輸入。由于我們有 6 個核，我們將同時處理該列表中的 6 個項目！
如果再次用以下代碼運行我們的程序：
time python fast_res_conversion.py
我們可以將運行時間降到 1.14265 秒，速度提升了近 6 倍！
最后
注意：在生成更多 Python 進程及在它們之間整理數(shù)據(jù)時會有一些開銷，所以速度提升并不總是這么明顯。但是總的來說，速度提升還是非常可觀的。
好了，以上是今天的內(nèi)容分享，如果對你有幫助的話，點個三連再走吧~
