[929]使用Joblib并行运行Python代码

joblib库的简介

对于大多数问题，并行计算确实可以提高计算速度。 随着PC计算能力的提高，我们可以通过在PC中运行并行代码来简单地提升计算速度。 Joblib 就是这样一个可以简单地将Python代码转换为并行计算模式的软件包，它可非常简单并行我们的程序，从而提高计算速度。

Joblib 是一组用于在Python中提供轻量级流水线的工具。 它具有以下功能：

• 透明的磁盘缓存功能和“懒惰”执行模式，简单的并行计算
• Joblib对numpy大型数组进行了特定的优化，简单，快速。

文档说明 ： https://joblib.readthedocs.io 下载地址 ： https://pypi.python.org/pypi/joblib#downloads 源码地址 ： https://github.com/joblib/joblib 报告问题 ： https://github.com/joblib/joblib/issues

joblib库的安装

pip install joblib

joblib库的使用方法

以下我们使用一个简单的例子来说明如何利用Joblib实现并行计算。 我们使用单个参数 i 定义一个简单的函数 my_fun() 。 此函数将等待1秒，然后计算 i**2 的平方根，也就是返回 i 本身。

from joblib import Parallel, delayed
import time, math
def my_fun(i):
    """ We define a simple function here.
    time.sleep(1)
    return math.sqrt(i**2)

这里我们将总迭代次数设置为10.我们使用 time.time() 函数来计算 my_fun() 的运行时间。 如果使用简单的for循环，计算时间约为10秒。

num = 10
start = time.time()
for i in range(num):
    my_fun(i)
end = time.time()
print('{:.4f} s'.format(end-start))
10.0387 s

使用Joblib中的 Parallel 和 delayed 函数，我们可以简单地配置 my_fun() 函数的并行运行。 其中我们会用到几个参数， n_jobs 是并行作业的数量，我们在这里将它设置为 2 。 i 是 my_fun() 函数的输入参数，依然是10次迭代。两个并行任务给节约了大约一半的for循环运行时间，结果并行大约需要5秒。

start = time.time()
# n_jobs is the number of parallel jobs
Parallel(n_jobs=2)(delayed(my_fun)(i) for i in range(num))
end = time.time()
print('{:.4f} s'.format(end-start))
5.6560 s

就是这么简单！ 如果我们的函数中有多个参数怎么办？ 也很简单。 让我们用两个参数定义一个新函数 my_fun_2p(i,j) 。

def my_fun_2p(i, j):
    """ We define a simple function with two parameters.
    time.sleep(1)
    return math.sqrt(i**j)
j_num = 3
num = 10
start = time.time()
for i in range(num):
    for j in range(j_num):
        my_fun_2p(i, j)
end = time.time()
print('{:.4f} s'.format(end-start))
30.0778 s
start = time.time()
# n_jobs is the number of parallel jobs
Parallel(n_jobs=2)(delayed(my_fun_2p)(i, j) for i in range(num) for j in range(j_num))
end = time.time()
print('{:.4f} s'.format(end-start))
15.0622 s

除了并行计算功能外，Joblib还具有以下功能：

• 快速磁盘缓存：Python函数的memoize或make-like功能，适用于任意Python对象，包括大型numpy数组。
• 快速压缩：替代pickle，使用joblib.dump和joblib.load可以提高大数据的读取和存储效率。

更多详情可参见 Joblib官网 。

输出值的透明快速磁盘缓存

Python函数的类似memoize或make的功能，适用于任意Python对象，包括非常大的numpy数组。通过将操作写成一组具有定义良好的输入和输出的步骤，将持久性和流执行逻辑与域逻辑或算法代码分离开来。Joblib可以节省他们的计算到磁盘和重新运行，只有在必要时。

>>> from joblib import Memory
>>> cachedir = 'your_cache_dir_goes_here'
>>> mem = Memory(cachedir)
>>> import numpy as np
>>> a = np.vander(np.arange(3)).astype(np.float)
>>> square = mem.cache(np.square)
>>> b = square(a)                                   # doctest: +ELLIPSIS
________________________________________________________________________________
[Memory] Calling square...
square(array([[0., 0., 1.],
       [1., 1., 1.],
       [4., 2., 1.]]))
___________________________________________________________square - 0...s, 0.0min
>>> c = square(a)
>>> # The above call did not trigger an evaluation

参考：https://blog.csdn.net/qq_41185868/article/details/108278072 https://zhuanlan.zhihu.com/p/65025655