企业网站推广的策略有哪些,哪些网站可以注册邮箱,wordpress添加表单,关键词seo排名目录
1、创建并运行并行进程
2、使用队列#xff08;Queue#xff09;来共享数据
3、进程池
4、进程锁
5、比较使用多进程和使用单进程执行一段代码的时间消耗
6、共享变量 多进程是计算机科学中的一个术语#xff0c;它是指同时运行多个进程#xff0c;这些进程可以…目录
1、创建并运行并行进程
2、使用队列Queue来共享数据
3、进程池
4、进程锁
5、比较使用多进程和使用单进程执行一段代码的时间消耗
6、共享变量 多进程是计算机科学中的一个术语它是指同时运行多个进程这些进程可以同时执行不同的任务。在计算机操作系统中进程是分配资源的基本单位每个进程都有自己独立的内存空间和系统资源互不干扰。
多进程技术可以用于实现并行计算和分布式计算其中每个进程可以独立地执行不同的任务从而可以同时处理多个任务提高计算机的处理效率。
PyTorch支持使用torch.multiprocessing模块来实现多进程训练。这个模块提供了类似于Python标准库中的multiprocessing模块的功能但是在PyTorch中进行了扩展以便更好地支持分布式训练。
使用torch.multiprocessing模块你可以创建多个进程每个进程都可以有自己的PyTorch张量和模型参数。这样你可以将数据分发到不同的进程中让它们并行地执行训练过程。 1、创建并运行并行进程
import torch.multiprocessing as mp
def action(name,times):init 0 for i in range(times):init iprint(this process is name)
if __name__ __main__:process1 mp.Process(targetaction,args(process1,10000000))process2 mp.Process(targetaction,args(process2,1000))
process1.start()process2.start()#等待进程process2执行完毕后再继续执行后面的代码#process2.join()print(main process)
main process
this process is process2
this process is process1
2、使用队列Queue来共享数据
import torch.multiprocessing as mp
def action(q,name,times):init 0 for i in range(times):init iprint(this process is name)q.put(init)
if __name__ __main__:q mp.Queue()process1 mp.Process(targetaction,args(q,process1,10000000))process2 mp.Process(targetaction,args(q,process2,1000))
process1.start()process2.start()#等待进程process1执行完毕process1.join()#等待进程process2执行完毕process2.join()#从队列中取出进程process1的计算结果result1 q.get()#从队列中取出进程process2的计算结果result2 q.get()
print(result1)print(result2)print(main process)
this process is process2
this process is process1
499500
49999995000000
main process
3、进程池
import torch.multiprocessing as mp
def action(times):init 0 for i in range(times):init ireturn init
if __name__ __main__:times [1000,1000000]#创建一个包含两个进程的进程池pool mp.Pool(processes2)res pool.map(action,times)print(res)
[499500, 499999500000]
4、进程锁
import torch.multiprocessing as mp
import time
def action(v,num,lock):lock.acquire()for i in range(5):time.sleep(0.1)v.value numprint(v.value)lock.release()
if __name__ __main__:#创建一个新的锁对象lock mp.Lock()#创建一个新的共享变量v初始值为0数据类型为i整数v mp.Value(i,0)p1 mp.Process(targetaction,args(v,1,lock))p2 mp.Process(targetaction,args(v,2,lock))p1.start()p2.start()p1.join()p2.join()
2
4
6
8
10
11
12
13
14
15
5、比较使用多进程和使用单进程执行一段代码的时间消耗
import torch.multiprocessing as mp
import time
def action(name,times):init 0 for i in range(times):init iprint(this process is name)
def mpfun():process1 mp.Process(targetaction,args(process1,100000000))process2 mp.Process(targetaction,args(process2,100000000))
process1.start()process2.start()
process1.join()process2.join()
def spfun():action(main process,100000000)action(main process,100000000)
if __name__ __main__:start_time time.time()mpfun()end_time time.time()print(end_time-start_time)start_time2 time.time()spfun()end_time2 time.time()print(end_time2-start_time2)
this process is process1
this process is process2
8.2586669921875
this process is main process
this process is main process
7.6229119300842285
6、共享变量
import torch.multiprocessing as mp
import torch
def action(element,t):t[element] (element1) * 1000
if __name__ __main__:t torch.zeros(2)t.share_memory_()print(before mp: t)print(t)
p0 mp.Process(targetaction,args(0,t))p1 mp.Process(targetaction,args(1,t))p0.start()p1.start()p0.join()p1.join()print(after mp: t)print(t)
before mp: t
tensor([0., 0.])
after mp: t
tensor([1000., 2000.]) multigpu_lenet multigpu_test
