让CPU核心物尽其用!本文介绍了仅需3行代码,将Python数据处理速度提升2~6倍的简单方法。这对大规模数据处理非常有用,一起来看。
Python是所有机器学习的首选编程语言。它易于使用,并拥有许多很棒的库,可以轻松地处理数据。但是当我们需要处理大量数据时,事情就变得棘手了......
“大数据”这个词通常指的是数据集,一个数据集里的数据点如果没有数百万个,也有数十万。在这样的规模上,每个小的计算加起来,而且我们需要在编码过程的每个步骤保持效率。在考虑机器学习系统的效率时,经常被忽视的一个关键步骤就是预处理阶段,我们必须对所有数据点进行某种预处理操作。
默认情况下,Python程序使用单个CPU作为单个进程执行。大多数用于机器学习的计算机至少有2个CPU核心。这意味着,对于2个CPU内核的示例,在运行预处理时,50%或更多的计算机处理能力在默认情况下不会做任何事情!当你使用4核( Intel i5)或6核( Intel i7)时,就更浪费了。
但幸运的是,内置的Python库中有一些隐藏的功能,可以让我们充分利用所有CPU内核!感谢Python的concurrent.futures模块,只需3行代码就可以将一个普通程序转换为一个可以跨CPU核心并行处理数据的程序。
标准方法
让我们举一个简单的例子,我们在一个文件夹中有一个图像数据集; 或者我们甚至有成千上万的图像!为了节省处理时间,我们在这里使用1000张图像。我们希望在将所有图像在传输到深度神经网络之前将其大小调整为600x600。下面就是你经常在GitHub上看到的一些非常标准的Python代码。
这个程序遵循在数据处理脚本中经常看到的简单模式:
首先是要处理的文件(或其他数据)列表;
你可以使用for循环逐个处理每个数据片段,然后在每个循环迭代上运行预处理
让我们在一个包含1000个jpeg文件的文件夹上测试这个程序,看看运行需要多长时间:
在我的具有6个CPU核心的i7-8700k上,这个程序的运行时间是7.9864秒!对于这样的高端CPU来说,似乎有点慢。让我们看看我们可以做些什么来加快速度。
快速方式
为了理解我们希望Python如何并行处理事物,直观地思考并行处理本身是有帮助的。假设我们必须执行相同的任务,例如将钉子钉入一块木头,我们的桶中有1000个钉子。如果钉每个钉子需要1秒钟,那么1个人的话需要花1000秒完成工作。但是如果有4个人,我们会将整桶钉子平均分成4堆,然后每个人处理自己的一堆钉子。这样,只需250秒即可完成任务!
在这个包含1000张图像的任务中,也可以这样处理:
将jpg文件列表分为4个较小的组。
运行Python解释器的4个独立实例。
让每个Python实例处理4个较小数据组中的一个。
结合4个过程的结果,得到最终的结果列表。
这里最重要的部分是Python为我们处理了所有艰苦的工作。我们只是告诉它我们想要运行哪个函数,以及使用多少Python实例,然后它完成了所有其他操作!我们只需修改3行代码。
上面的代码中的:
你有多少CPU核心就启动多少Python进程,在我的例子中是6个。实际的处理代码是这样的:
executor.map()将你想要运行的函数和一个列表作为输入,列表中的每个元素都是函数的单个输入。由于我们有6个核心,我们将同时处理列表中的6个项!
再次运行程序看看:
运行时间是1.14265秒,几乎加速了6倍!
注意:产生更多Python进程并在它们之间移动数据时,会产生一些开销,因此不会总是得到这么大的速度提升。 但总的来说,加速相当显著。
是否总能大幅加速?
当你有要处理的数据列表并且要对每个数据点执行类似的计算时,使用Python并行池是一个很好的解决方案。但是,它并不总是完美的。并行池处理的数据不会以任何可预测的顺序处理。如果你需要处理的结果按特定顺序排列,那么这种方法可能不适合。
你处理的数据还必须是Python知道如何“pickle”的类型。幸运的是,这些类型很常见。以下来自Python官方文档:
None, True, 及 False
整数,浮点数,复数
字符串,字节,字节数组
仅包含可选对象的元组,列表,集合和词典
在模块的顶层定义的函数(使用def,而不是lambda)
在模块顶层定义的内置函数
在模块顶层定义的类
这些类的实例,__dict__或调用__getstate __()的结果是可选择的
-
数据处理
+关注
关注
0文章
595浏览量
28554 -
机器学习
+关注
关注
66文章
8408浏览量
132567 -
python
+关注
关注
56文章
4792浏览量
84630
原文标题:3行代码,Python数据预处理提速6倍!
文章出处:【微信号:AI_era,微信公众号:新智元】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论