Многопоточная генерация

Четыре основных распределения (random, standard_normal, standard_exponential, и standard_gamma) все позволяют заполнять существующие массивы с использованием out аргумент ключевого слова. Существующие массивы должны быть смежными и хорошо себя вести (записываемыми и выровненными). В обычных условиях массивы, созданные с использованием общих конструкторов, таких как numpy.empty удовлетворит этим требованиям.

Смотрите также

Потокобезопасность для общей информации о потокобезопасности в NumPy.

В этом примере используется concurrent.futures для заполнения массива с использованием нескольких потоков. Потоки долгоживущие, поэтому повторные вызовы не требуют дополнительных накладных расходов на создание потоков.

Сгенерированные случайные числа воспроизводимы в том смысле, что одно и то же начальное значение даст одинаковые результаты, при условии, что количество потоков не изменится.

from numpy.random import default_rng, SeedSequence
import multiprocessing
import concurrent.futures
import numpy as np

class MultithreadedRNG:
    def __init__(self, n, seed=None, threads=None):
        if threads is None:
            threads = multiprocessing.cpu_count()
        self.threads = threads

        seq = SeedSequence(seed)
        self._random_generators = [default_rng(s)
                                   for s in seq.spawn(threads)]

        self.n = n
        self.executor = concurrent.futures.ThreadPoolExecutor(threads)
        self.values = np.empty(n)
        self.step = np.ceil(n / threads).astype(np.int_)

    def fill(self):
        def _fill(random_state, out, first, last):
            random_state.standard_normal(out=out[first:last])

        futures = {}
        for i in range(self.threads):
            args = (_fill,
                    self._random_generators[i],
                    self.values,
                    i * self.step,
                    (i + 1) * self.step)
            futures[self.executor.submit(*args)] = i
        concurrent.futures.wait(futures)

    def __del__(self):
        self.executor.shutdown(False)

Многопоточный генератор случайных чисел можно использовать для заполнения массива. values атрибуты показывают нулевое значение до заполнения и случайное значение после.

In [2]: mrng = MultithreadedRNG(10000000, seed=12345)
   ...: print(mrng.values[-1])
Out[2]: 0.0

In [3]: mrng.fill()
   ...: print(mrng.values[-1])
Out[3]: 2.4545724517479104

Время, необходимое для генерации с использованием нескольких потоков, можно сравнить со временем, необходимым для генерации с использованием одного потока.

In [4]: print(mrng.threads)
   ...: %timeit mrng.fill()

Out[4]: 4
   ...: 32.8 ms ± 2.71 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

Однопоточный вызов напрямую использует BitGenerator.

In [5]: values = np.empty(10000000)
   ...: rg = default_rng()
   ...: %timeit rg.standard_normal(out=values)

Out[5]: 99.6 ms ± 222 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Выигрыш значительный, и масштабирование разумно даже для массивов, которые лишь умеренно велики. Выигрыш ещё больше при сравнении с вызовом, который не использует существующий массив из-за накладных расходов на создание массива.

In [6]: rg = default_rng()
   ...: %timeit rg.standard_normal(10000000)

Out[6]: 125 ms ± 309 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Обратите внимание, что если threads не установлен пользователем, он будет определен multiprocessing.cpu_count().

In [7]: # simulate the behavior for `threads=None`, if the machine had only one thread
   ...: mrng = MultithreadedRNG(10000000, seed=12345, threads=1)
   ...: print(mrng.values[-1])
Out[7]: 1.1800150052158556