Python Eficaz

fator determinante de lentidão. Em vez disso, há muitos elementos que
contribuem para tal. Para que os benefícios de usar threads e estar mais próximo
do hardware com o C possam ser empregados, seria necessário portar trechos
muito grandes do programa, aumentando drasticamente o risco e as necessidades
de teste. Deve haver uma maneira melhor de preservar seu investimento em
Python para resolver problemas computacionais difíceis.
O módulo nativo multiprocessing, facilmente acessível por dentro de outro
módulo nativo, concurrent.futures, é exatamente o que precisamos. Esse módulo
permite que o Python utilize mais de um núcleo de CPU em paralelo, e o faz de
maneira surpreendentemente simples: rodando em paralelo instâncias adicionais
do interpretador do Python como processos-filho. Tais processos são separados
do interpretador principal, portanto cada um dos processos-filho tem uma GIL
separada para si. Cada processo-filho tem permissão de utilizar apenas um
núcleo de CPU, e possui uma conexão com o processo principal, por onde
recebe instruções para computar e devolve os resultados.
Por exemplo, digamos que se queira realizar uma tarefa computacionalmente
intensiva com o Python e usar múltiplos núcleos de CPU. Usarei o problema de
encontrar o maior divisor comum entre dois números como substituto para um
algoritmo mais intenso computacionalmente, como a simulação da dinâmica dos
fluídos com a equação de Navier-Stokes.
def gcd(pair):
a, b = pair
low = min(a, b)
for i in range(low, 0, -1):
if a % i == 0 and b % i == 0:
return i
Rodar essa função em série aumenta linearmente a quantidade de tempo de
processamento porque não há paralelismo.
numbers = [(1963309, 2265973), (2030677, 3814172),
(1551645, 2229620), (2039045, 2020802)]
start = time()
results = list(map(gcd, numbers))
end = time()
www.full-ebook.com