在 for 循环中并行化函数

Question

我有一个要并行化的函数。import multiprocessing as mpfrom pathos.multiprocessing import ProcessingPool as Poolcores=mp.cpu_count()# create the multiprocessing poolpool = Pool(cores)def clean_preprocess(text):    """    Given a string of text, the function:    1. Remove all punctuations and numbers and converts texts to lower case    2. Handles negation words defined above.    3. Tokenies words that are of more than length 1    """    cores=mp.cpu_count()    pool = Pool(cores)    lower = re.sub(r'[^a-zA-Z\s\']', "", text).lower()    lower_neg_handled = n_pattern.sub(lambda x: n_dict[x.group()], lower)    letters_only = re.sub(r'[^a-zA-Z\s]', "", lower_neg_handled)    words = [i for i  in tok.tokenize(letters_only) if len(i) > 1] ##parallelize this? return (' '.join(words))我一直在阅读有关多处理的文档，但对如何适当地并行化我的函数仍然有些困惑。如果有人能指出我在并行化像我这样的功能的正确方向，我将不胜感激。

Answer 1

在您的函数中，您可以决定通过将文本拆分为子部分来并行化，将标记化应用于子部分，然后连接结果。

沿线的东西：

text0 = text[:len(text)/2]

text1 = text[len(text)/2:]

然后将您的处理应用于这两部分，使用：

# here, I suppose that clean_preprocess is the sequential version, 

# and we manage the pool outside of it

with Pool(2) as p:

  words0, words1 = pool.map(clean_preprocess, [text0, text1])

words = words1 + words2

# or continue with words0 words1 to save the cost of joining the lists

然而，你的函数似乎受内存限制，所以它不会有一个可怕的加速（通常，因子 2 是我们现在在标准计算机上希望的最大值），请参阅例如，如果程序是内存，并行化对性能有多大帮助-边界？或者术语“CPU 绑定”和“I/O 绑定”是什么意思？

因此，您可以尝试将文本分成 2 个以上的部分，但可能不会变得更快。您甚至可能会得到令人失望的性能，因为拆分文本可能比处理文本更昂贵。