多进程 vs 多线程 Python 耗时

我有 2 个简单的函数（在一定范围内循环），可以单独运行而无需任何依赖。我正在尝试使用 Python 多处理模块和多线程模块来运行这两个函数。

当我比较输出时，我发现多进程应用程序比多线程模块多花费 1 秒。

我读到，由于全局解释器锁，多线程效率不高......

基于以上陈述——
1. 如果两个进程之间没有依赖关系，最好使用多处理吗？
2. 如何计算我的机器中可以运行的进程/线程的数量以获得最大效率。
3.还有，有没有办法通过使用多线程来计算程序的效率...

多线程模块...

from multiprocessing import Process

import thread
import platform

import os
import time
import threading
class Thread1(threading.Thread):
    def __init__(self,threadindicator):
        threading.Thread.__init__(self)
        self.threadind = threadindicator

    def run(self):
        starttime = time.time() 
        if self.threadind == 'A':
            process1()
        else:
            process2()
        endtime = time.time()
        print 'Thread 1 complete : Time Taken = ', endtime - starttime

def process1():
    starttime = time.time() 
    for i in range(100000):
        for j in range(10000):
            pass        
    endtime = time.time() 

def process2():
    for i in range(1000):
        for j in range(1000):
            pass

def main():

    print 'Main Thread'
    starttime = time.time()
    thread1 = Thread1('A')
    thread2 = Thread1('B')
    thread1.start()
    thread2.start()
    threads = []
    threads.append(thread1)
    threads.append(thread2)

    for t in threads:
        t.join()
    endtime = time.time()
    print 'Main Thread Complete , Total Time Taken = ', endtime - starttime


if __name__ == '__main__':
    main()

多进程模块

from multiprocessing import Process
import platform

import os
import time

def process1():
#     print 'process_1 processor =',platform.processor()
    starttime = time.time() 
    for i in range(100000):
        for j in range(10000):
            pass
    endtime = time.time()
    print 'Process 1 complete : Time Taken = ', endtime - starttime 


def process2():
#     print 'process_2 processor =',platform.processor()
    starttime = time.time()
    for i in range(1000):
        for j in range(1000):
            pass
    endtime = time.time()
    print 'Process 2 complete : Time Taken = ', endtime - starttime

def main():
    print 'Main Process start'
    starttime = time.time()
    processlist = []

    p1 = Process(target=process1)
    p1.start()
    processlist.append(p1)

    p2 = Process(target = process2)
    p2.start()
    processlist.append(p2)

    for i in processlist:
        i.join()
    endtime = time.time()
    print 'Main Process Complete - Total time taken = ', endtime - starttime

if __name__ == '__main__':
    main()

如果你的机器上有两个可用的CPU，有两个不需要通信的进程，并且你想同时使用它们来使你的程序更快，你应该使用多处理模块，而不是线程模块。

全局解释器锁 (GIL) 阻止 Python 解释器通过使用多个线程来有效利用多个 CPU，因为一次只能有一个线程执行 Python 字节码。因此，多线程不会改善应用程序的整体运行时间，除非您有阻塞的调用（例如等待 IO）或释放 GIL（例如numpy将对某些昂贵的呼叫执行此操作）较长时间。然而，多处理库创建了单独的子进程，因此创建了多个解释器副本，因此它可以有效地利用多个 CPU。

但是，在您给出的示例中，一个进程完成得非常快（在我的计算机上不到 0.1 秒），而另一个进程则需要大约 18 秒才能完成。确切的数字可能会有所不同，具体取决于您的硬件。在这种情况下，几乎所有工作都在一个进程中进行，因此无论如何，您实际上只使用一个 CPU。在这种情况下，生成进程与线程的开销增加可能会导致基于进程的版本变慢。

如果您让两个进程都执行 18 秒的嵌套循环，您应该会看到多处理代码运行得更快（假设您的机器实际上有多个 CPU）。在我的机器上，我看到多处理代码在大约 18.5 秒内完成，多线程代码在 71.5 秒内完成。我不确定为什么多线程花费的时间超过大约 36 秒，但我的猜测是 GIL 导致了某种线程争用问题，从而减慢了两个线程的执行速度。

至于你的第二个问题，假设系统上没有其他负载，你应该使用等于系统上 CPU 数量的进程数。你可以通过这样做发现这一点lscpu在Linux系统上，sysctl hw.ncpu在 Mac 系统上，或运行dxdiag从 Windows 上的“运行”对话框（可能还有其他方法，但我总是这样做）。

对于第三个问题，计算从额外进程中获得多少效率的最简单方法就是测量程序的总运行时间，使用time.time()像你一样，或者timeLinux 中的实用程序（例如time python myprog.py）。理想的加速比应该等于您使用的进程数，因此在 4 个 CPU 上运行的 4 进程程序应该是at most假设您从额外的进程中获得最大收益，则比具有 1 个进程的相同程序快 4 倍。如果其他进程对您的帮助不大，那么效率将低于 4 倍。