選自:TowardsDataScience

作者：George Seif,本文轉(zhuǎn)自機(jī)器之心

本文可以教你僅使用 3 行代碼，大大加快數(shù)據(jù)預(yù)處理的速度。

Python 是機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)的首選編程語(yǔ)言，它易于使用，也有很多出色的庫(kù)來幫助你更快處理數(shù)據(jù)。但當(dāng)我們面臨大量數(shù)據(jù)時(shí)，一些問題就會(huì)顯現(xiàn)……

在默認(rèn)情況下，Python 程序是單個(gè)進(jìn)程，使用單 CPU 核心執(zhí)行。而大多數(shù)當(dāng)代機(jī)器學(xué)習(xí)硬件都至少搭載了雙核處理器。這意味著如果沒有進(jìn)行優(yōu)化，在數(shù)據(jù)預(yù)處理的時(shí)候會(huì)出現(xiàn)「一核有難九核圍觀」的情況——超過 50% 的算力都會(huì)被浪費(fèi)。在當(dāng)前四核處理器（英特爾酷睿 i5）和 6 核處理器（英特爾酷睿 i7）大行其道的時(shí)候，這種情況會(huì)變得更加明顯。

幸運(yùn)的是，Python 庫(kù)中內(nèi)建了一些隱藏的特性，可以讓我們充分利用所有 CPU 核心的能力。通過使用 Python 的 concurrent.futures 模塊，我們只需要 3 行代碼就可以讓一個(gè)普通的程序轉(zhuǎn)換成適用于多核處理器并行處理的程序。

標(biāo)準(zhǔn)方法

讓我們舉一個(gè)簡(jiǎn)單的例子，在單個(gè)文件夾中有一個(gè)圖片數(shù)據(jù)集，其中有數(shù)萬(wàn)張圖片。在這里，我們決定使用 1000 張。我們希望在所有圖片被傳遞到深度神經(jīng)網(wǎng)絡(luò)之前將其調(diào)整為 600×600 像素分辨率的形式。以下是你經(jīng)常會(huì)在 GitHub 上看到的標(biāo)準(zhǔn) Python 代碼：

import?glob
import?os
import?cv2


###?Loop?through?all?jpg?files?in?the?current?folder?
###?Resize?each?one?to?size?600x600
for?image_filename?in?glob.glob("*.jpg"):
?###?Read?in?the?image?data
?img?=?cv2.imread(image_filename)

?###?Resize?the?image
?img?=?cv2.resize(img,?(600,?600))?

上面的程序遵循你在處理數(shù)據(jù)腳本時(shí)經(jīng)?？吹降暮?jiǎn)單模式：

1. 首先從需要處理內(nèi)容的文件（或其他數(shù)據(jù)）列表開始。

2. 使用 for 循環(huán)逐個(gè)處理每個(gè)數(shù)據(jù)，然后在每個(gè)循環(huán)迭代上運(yùn)行預(yù)處理。

讓我們?cè)谝粋€(gè)包含 1000 個(gè) jpeg 文件的文件夾上測(cè)試這個(gè)程序，看看運(yùn)行它需要多久：

time?python?standard_res_conversion.py

在我的酷睿 i7-8700k 6 核 CPU 上，運(yùn)行時(shí)間為 7.9864 秒！在這樣的高端 CPU 上，這種速度看起來是難以讓人接受的，看看我們能做點(diǎn)什么。

更快的方法

為了便于理解并行化的提升，假設(shè)我們需要執(zhí)行相同的任務(wù)，比如將 1000 個(gè)釘子釘入木頭，假如釘入一個(gè)需要一秒，一個(gè)人就需要 1000 秒來完成任務(wù)。四個(gè)人組隊(duì)就只需要 250 秒。

在我們這個(gè)包含 1000 個(gè)圖像的例子中，可以讓 Python 做類似的工作：

• 將 jpeg 文件列表分成 4 個(gè)小組；

• 運(yùn)行 Python 解釋器中的 4 個(gè)獨(dú)立實(shí)例；

• 讓 Python 的每個(gè)實(shí)例處理 4 個(gè)數(shù)據(jù)小組中的一個(gè)；

• 結(jié)合四個(gè)處理過程得到的結(jié)果得出最終結(jié)果列表。

這一方法的重點(diǎn)在于，Python 幫我們處理了所有棘手的工作。我們只需告訴它我們想要運(yùn)行哪個(gè)函數(shù)，要用多少 Python 實(shí)例，剩下的就交給它了！只需改變?nèi)写a。實(shí)例：

import?glob
import?os
import?cv2
import?concurrent.futures


def?load_and_resize(image_filename):
?###?Read?in?the?image?data
?img?=?cv2.imread(image_filename)

?###?Resize?the?image
?img?=?cv2.resize(img,?(600,?600))?


###?Create?a?pool?of?processes.?By?default,?one?is?created?for?each?CPU?in?your?machine.
with?concurrent.futures.ProcessPoolExecutor()?as?executor:
?###?Get?a?list?of?files?to?process
?image_files?=?glob.glob("*.jpg")

?###?Process?the?list?of?files,?but?split?the?work?across?the?process?pool?to?use?all?CPUs
?###?Loop?through?all?jpg?files?in?the?current?folder?
?###?Resize?each?one?to?size?600x600
?executor.map(load_and_resize,?image_files)

從以上代碼中摘出一行：

with?concurrent.futures.ProcessPoolExecutor()?as?executor:

你的 CPU 核越多，啟動(dòng)的 Python 進(jìn)程越多，我的 CPU 有 6 個(gè)核。實(shí)際處理代碼如下：

executor.map(load_and_resize,?image_files)

「executor.map()」將你想要運(yùn)行的函數(shù)和列表作為輸入，列表中的每個(gè)元素都是我們函數(shù)的單個(gè)輸入。由于我們有 6 個(gè)核，我們將同時(shí)處理該列表中的 6 個(gè)項(xiàng)目！

如果再次用以下代碼運(yùn)行我們的程序：

time?python?fast_res_conversion.py

我們可以將運(yùn)行時(shí)間降到 1.14265 秒，速度提升了近 6 倍！

注意：在生成更多 Python 進(jìn)程及在它們之間整理數(shù)據(jù)時(shí)會(huì)有一些開銷，所以速度提升并不總是這么明顯。但是總的來說，速度提升還是非?？捎^的。

它總是那么快嗎？?

如果你有一個(gè)數(shù)據(jù)列表要處理，而且在每個(gè)數(shù)據(jù)點(diǎn)上執(zhí)行相似的運(yùn)算，那么使用 Python 并行池是一個(gè)很好的選擇。但有時(shí)這不是最佳解決方案。并行池處理的數(shù)據(jù)不會(huì)在任何可預(yù)測(cè)的順序中進(jìn)行處理。如果你對(duì)處理后的結(jié)果有特殊順序要求，那么這個(gè)方法可能不適合你。

你處理的數(shù)據(jù)也必須是 Python 可以「炮制」的類型。所幸這些指定類別都很常見。以下來自 Python 官方文件：

• None, True, 及 False

• 整數(shù)、浮點(diǎn)數(shù)、復(fù)數(shù)

• 字符串、字節(jié)、字節(jié)數(shù)組

• 只包含可挑選對(duì)象的元組、列表、集合和字典

• 在模塊頂層定義的函數(shù)（使用 def ，而不是 lambda ）

• 在模塊頂層定義的內(nèi)置函數(shù)

• 在模塊頂層定義的類

• 這種類的實(shí)例，其 __dict__ 或調(diào)用__getstate__() 的結(jié)果是可選擇的（參見「Pickling Class Instances」一節(jié)）。

原文鏈接：https://towardsdatascience.com/heres-how-you-can-get-a-2-6x-speed-up-on-your-data-pre-processing-with-python-847887e63be5

戀習(xí)Python
關(guān)注戀習(xí)Python，Python都好練

好文章，我在看??