发帖
雷达卡
第一个是R中的不同种类的循环。建议根据迭代的复杂性和大小使用不同种类的循环。
第二篇文章是Loop-Runtime Compare R，RCPP，Python，展示了非昂贵任务的并行和顺序处理性能。
这篇文章是关于昂贵的任务。
通常，对于不昂贵的任务，多处理是不合适的。直到一定程度的复杂性，将任务分配到内核（处理器管理）的成本要比按顺序运行循环的成本更高。具体来说，在Python的情况下，这是由于全局解释器锁定（GIL）引起的问题。
面临的挑战是研究哪种（R或Python）更适合处理大量昂贵的任务。为了进行比较，在Python和R中都使用了顺序for循环和多处理。
在这种特定情况下，任务是检查某个数字是否为质数。为了简化，测试从3开始而不是2。
机器是：
i7 8700k，16Gb GDDR5 RAM
R代码：
################################################ ###############################################
library（parallel）
NumOfCores <-detectCores（）-1个
集群<-makeCluster（NumOfCores）
大小<-c（100，1000，10000，20000，30000，40000，50000）
rep <-rep（0，时间=长度（大小））
z = 1
原始<-函数（i）{
chech_vec =（i-1）：2
P = i %% chech_vec
如果（任何（P == 0））{
return（“ n”）
}其他{
return（“ y”）
}
}
for（大小为j）{
开始= Sys.time（）
PrimNum <-parSapply（cl =簇，X = 3：j，FUN = Prim）
结束= Sys.time（）
rep [z] =结束-开始
z = z + 1
}
z = 1
for（大小为j）{
PrimNum = rep（NA，次=（j））
开始= Sys.time（）
for（3：j中的i）{
PrimNum [i-2] <-Prim（i）
}
结束= Sys.time（）
rep [z] =结束-开始
z = z + 1
}
################################################ ###############################################
等效的Python代码：
################################################ ################################# ################
导入时间
将numpy导入为np
导入多处理
从joblib导入延迟，并行，parallel_backend
核心= multiprocessing.cpu_count（）-1
大小= [101、1001、10001、20001、30001、40001、50001]
rep = [0] * len（大小）
z = 0
def Prim（i）：
chech_vec = list（range（2，（i）））
P = np.mod（i，chech_vec）
如果有（P == 0）：
返回“ n”
其他：
返回“ y”
＃更改 inner_max_num_threads没关系。此外，对于此任务，后端“线程”甚至更慢。
对于j的大小：
开始= time.time（）
如果__name__ ==“ __main__”：
与parallel_backend（“ loky”，inner_max_num_threads = 2）：
PrimNum = Parallel（n_jobs = cores）（i范围（3，j）中的延迟（Prim））
结束= time.time（）
rep [z] =结束-开始
z + = 1
z = 0
对于j的大小：
PrimNum = [0] * j
开始= time.time（）
对于范围（3，j）中的i：
PrimNum = Prim（i）
结束= time.time（）
rep [z] =结束-开始
z + = 1
################################################ ################################# ################
结果是：
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
