热线电话：13121318867

登录
首页精彩阅读Python实现简单多线程任务队列
Python实现简单多线程任务队列
2018-02-19
收藏

Python实现简单多线程任务队列

最近我在用梯度下降算法绘制神经网络的数据时，遇到了一些算法性能的问题。梯度下降算法的代码如下（伪代码）：


defgradient_descent():
  # the gradient descent code
  plotly.write(X, Y)

一般来说，当网络请求 plot.ly 绘图时会阻塞等待返回，于是也会影响到其他的梯度下降函数的执行速度。

一种解决办法是每调用一次 plotly.write 函数就开启一个新的线程，但是这种方法感觉不是很好。 我不想用一个像 cerely（一种分布式任务队列）一样大而全的任务队列框架，因为框架对于我的这点需求来说太重了，并且我的绘图也并不需要 redis 来持久化数据。

那用什么办法解决呢？我在 python 中写了一个很小的任务队列，它可以在一个单独的线程中调用 plotly.write函数。下面是程序代码。

fromthreadingimportThread
importQueue
importtime
 
classTaskQueue(Queue.Queue):

首先我们继承 Queue.Queue 类。从 Queue.Queue 类可以继承 get 和 put 方法，以及队列的行为。

def__init__(self, num_workers=1):
  Queue.Queue.__init__(self)
  self.num_workers=num_workers
  self.start_workers()

初始化的时候，我们可以不用考虑工作线程的数量。

defadd_task(self, task,*args,**kwargs):
  args=argsor()
  kwargs=kwargsor{}
  self.put((task, args, kwargs))

我们把 task, args, kwargs 以元组的形式存储在队列中。*args 可以传递数量不等的参数，**kwargs 可以传递命名参数。

defstart_workers(self):
  foriinrange(self.num_workers):
    t=Thread(target=self.worker)
    t.daemon=True
    t.start()

我们为每个 worker 创建一个线程，然后在后台删除。

下面是 worker 函数的代码：

defworker(self):
  whileTrue:
    tupl=self.get()
    item, args, kwargs=self.get()
    item(*args,**kwargs)
    self.task_done()

worker 函数获取队列顶端的任务，并根据输入参数运行，除此之外，没有其他的功能。下面是队列的代码：

我们可以通过下面的代码测试：

defblokkah(*args,**kwargs):
  time.sleep(5)
  print“Blokkah mofo!”
 
q=TaskQueue(num_workers=5)
 
foriteminrange(1):
  q.add_task(blokkah)
 
q.join()# wait for all the tasks to finish.
 
print“Alldone!”

Blokkah 是我们要做的任务名称。队列已经缓存在内存中，并且没有执行很多任务。下面的步骤是把主队列当做单独的进程来运行，这样主程序退出以及执行数据库持久化时，队列任务不会停止运行。但是这个例子很好地展示了如何从一个很简单的小任务写成像工作队列这样复杂的程序。

defgradient_descent():
  # the gradient descent code
  queue.add_task(plotly.write, x=X, y=Y)

修改之后，我的梯度下降算法工作效率似乎更高了。如果你很感兴趣的话，可以参考下面的代码。

fromthreadingimportThread
importQueue
importtime
 
classTaskQueue(Queue.Queue):
 
def__init__(self, num_workers=1):
Queue.Queue.__init__(self)
self.num_workers=num_workers
self.start_workers()
 
defadd_task(self, task,*args,**kwargs):
args=argsor()
kwargs=kwargsor{}
self.put((task, args, kwargs))
 
defstart_workers(self):
foriinrange(self.num_workers):
t=Thread(target=self.worker)
t.daemon=True
t.start()
 
defworker(self):
whileTrue:
tupl=self.get()
item, args, kwargs=self.get()
item(*args,**kwargs)
self.task_done()
 
deftests():
defblokkah(*args,**kwargs):
time.sleep(5)
print"Blokkah mofo!"
 
q=TaskQueue(num_workers=5)
 
foriteminrange(10):
q.add_task(blokkah)
 
q.join()# block until all tasks are done
print"All done!"
 
if__name__=="__main__":
tests()




CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>>   “CDA报名” 了解CDA考试详情；

▷ 想加入CDA考试题库，点击>>> “CDA题库” 了解CDA考试详情；

▷ 想学习CDA考试教材，点击>>> “CDA教材” 了解CDA考试详情；

▷ 想查询CDA考试成绩，点击>>> “CDA成绩” 了解CDA考试详情；

▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 了解CDA考试详情；

▷ 想获取CDA考试时间/费用/条件/大纲/通过率，点击 >>>“CDA考试官网” 了解CDA考试详情；

梯度下降 python 神经网络

数据分析咨询请扫描二维码

上一篇回归系列（一）| 怎样正确地理解线性回归
下一篇2020美国总统竞选大戏开锣，川普当选的奇迹会再发生吗？
CDA考试动态
CDA报考指南
热门栏目
最新资讯
更多
Copyright © 2015-present 北京国富如荷网络科技有限公司 All Rights Reserved.
京ICP备11001960号-9   京公网安备 11010802034615号   经营许可证编号：京B2-20210330
客服在线
立即咨询