問題背景是這樣的，我有一批需要處理的文件，對於每一個文件，都需要調用同一個函數進行處理，相當耗時
有沒有加速的辦法呢？當然有啦，比如說你將這些文件分成若干批，每一個批次都調用自己寫的python腳本進行處理，這樣同時運行若干個python程序也可以進行加速
但是，有沒有更簡單的方法呢？比如說，我一個運行的一個程序里面，同時分為多個線程，然后進行處理？
實際上是有的
大概思路是這樣，將這些個文件路徑的list，分成若干個，至於分成多少，要看自己cpu核心有多少，比如你的cpu有32核的，理論上就可以加速32倍
直接上代碼:
# -*-coding:utf-8-*- import numpy as np from glob import glob import math import os import torch from tqdm import tqdm import multiprocessing label_path = '/home/ying/data/shiyongjie/distortion_datasets/new_distortion_dataset/train/label.txt' file_path = '/home/ying/data/shiyongjie/distortion_datasets/new_distortion_dataset/train/distortion_image' save_path = '/home/ying/data/shiyongjie/distortion_datasets/new_distortion_dataset/train/flow_field' r_d_max = 128 image_index = 0 txt_file = open(label_path) file_list = txt_file.readlines() txt_file.close() file_label = {} for i in file_list: i = i.split() file_label[i[0]] = i[1] r_d_max = 128 eps = 1e-32 H = 256 W = 256 def generate_flow_field(image_list): for image_file_path in ((image_list)): pixel_flow = np.zeros(shape=tuple([256, 256, 2])) # 按照pytorch中的grid來寫 image_file_name = os.path.basename(image_file_path) # print(image_file_name) k = float(file_label[image_file_name])*(-1)*1e-7 # print(k) r_u_max = r_d_max/(1+k*r_d_max**2) # 計算出畸變校正之后的對角線的理論長度 scale = r_u_max/128 # 將這個長度壓縮到256的尺寸，會有一個scale，實際上這里寫128*sqrt(2)可能會更加直觀 for i_u in range(256): for j_u in range(256): x_u = float(i_u - 128) y_u = float(128 - j_u) theta = math.atan2(y_u, x_u) r = math.sqrt(x_u ** 2 + y_u ** 2) r = r * scale # 實際上得到的r，即沒有resize到256×256的圖像尺寸size，並且帶入公式中 r_d = (1.0 - math.sqrt(1 - 4.0 * k * r ** 2)) / (2 * k * r + eps) # 對應在原圖（畸變圖）中的r x_d = int(round(r_d * math.cos(theta))) y_d = int(round(r_d * math.sin(theta))) i_d = int(x_d + W / 2.0) j_d = int(H / 2.0 - y_d) if i_d < W and i_d >= 0 and j_d < H and j_d >= 0: # 只有求的的畸變點在原圖中的時候才進行賦值 value1 = (i_d - 128.0)/128.0 value2 = (j_d - 128.0)/128.0 pixel_flow[j_u, i_u, 0] = value1 # mesh中存儲的是對應的r的比值，在進行畸變校正的時候，給定一張這樣的圖，進行找像素即可 pixel_flow[j_u, i_u, 1] = value2 # 保存成array格式 saved_image_file_path = os.path.join(save_path, image_file_name.split('.')[0] + '.npy') pixel_flow = pixel_flow.astype('f2') # 將數據的格式轉換成float16類型， 節省空間 # print(saved_image_file_path) # print(pixel_flow) np.save(saved_image_file_path, pixel_flow) return if __name__ == '__main__': file_list = glob(file_path + '/*.JPEG') m = 32 n = int(math.ceil(len(file_list) / float(m))) # 向上取整 result = [] pool = multiprocessing.Pool(processes=m) # 32進程 for i in range(0, len(file_list), n): result.append(pool.apply_async(generate_flow_field, (file_list[i: i+n],))) pool.close() pool.join()
在上面的代碼中，我的函數
generate_flow_field(image_list)
需要傳入一個list，然后對於這個list進行操作，之后對操作的結果進行保存
所以，只需要將你需要處理的多個文件，切分成盡量等大小的list，然后再對每一個list，開一個線程進行處理即可
看我上面的主函數
if __name__ == '__main__': file_list = glob(file_path + '/*.JPEG') # 將文件夾下所有的JPEG文件列成一個list m = 32 # 假設CPU有32個核心 n = int(math.ceil(len(file_list) / float(m))) # 每一個核心需要處理的list的數目 result = [] pool = multiprocessing.Pool(processes=m) # 開32線程的線程池 for i in range(0, len(file_list), n): result.append(pool.apply_async(generate_flow_field, (file_list[i: i+n],))) # 對每一個list都用上面我們定義的函數進行處理 pool.close() # 處理結束之后，關閉線程池 pool.join()
主要是這樣的兩行代碼，一行是
pool = multiprocessing.Pool(processes=m) # 開32線程的線程池
用來開辟線程池
另外一行是
result.append(pool.apply_async(generate_flow_field, (file_list[i: i+n],))) # 對每一個list都用上面我們定義的函數進行處理
對於線程池，用apply_async()同時跑generate_flow_field這個函數，傳入的參數是：file_list[i: i+n]
實際上apply_async()這個函數的作用是所有的線程同時跑，速度是比較快的
怎么樣，講到這里，是不是學會如何使用pool.apply_async()來進行多線程加速了呢？