三行Python代碼，讓數(shù)據(jù)預(yù)處理速度提高2到6倍
Python 是機器學(xué)習(xí)領(lǐng)域內(nèi)的***編程語言，它易于使用，也有很多出色的庫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，一些問題就會顯現(xiàn)……
目前，大數(shù)據(jù)(Big Data)這個術(shù)語通常用于表示包含數(shù)十萬數(shù)據(jù)點的數(shù)據(jù)集。在這樣的尺度上，工作進程中加入任何額外的計算都需要時刻注意保持效率。在設(shè)計機器學(xué)習(xí)系統(tǒng)時，數(shù)據(jù)預(yù)處理非常重要——在這里，我們必須對所有數(shù)據(jù)點使用某種操作。
在默認情況下，Python 程序是單個進程，使用單 CPU 核心執(zhí)行。而大多數(shù)當(dāng)代機器學(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行優(yōu)化，在數(shù)據(jù)預(yù)處理的時候會出現(xiàn)「一核有難九核圍觀」的情況——超過 50% 的算力都會被浪費。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)大行其道的時候，這種情況會變得更加明顯。
幸運的是，Python 庫中內(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
讓我們舉一個簡單的例子，在單個文件夾中有一個圖片數(shù)據(jù)集，其中有數(shù)萬張圖片。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)腳本時經(jīng)?？吹降暮唵文Ｊ剑?/p>
- 首先從需要處理內(nèi)容的文件(或其他數(shù)據(jù))列表開始。
- 使用 for 循環(huán)逐個處理每個數(shù)據(jù)，然后在每個循環(huán)迭代上運行預(yù)處理。
讓我們在一個包含 1000 個 jpeg 文件的文件夾上測試這個程序，看看運行它需要多久：
- time python standard_res_conversion.py
在我的酷睿 i7-8700k 6 核 CPU 上，運行時間為 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 個釘子釘入木頭，假如釘入一個需要一秒，一個人就需要 1000 秒來完成任務(wù)。四個人組隊就只需要 250 秒。
在我們這個包含 1000 個圖像的例子中，可以讓 Python 做類似的工作：
- 將 jpeg 文件列表分成 4 個小組;
- 運行 Python 解釋器中的 4 個獨立實例;
- 讓 Python 的每個實例處理 4 個數(shù)據(jù)小組中的一個;
- 結(jié)合四個處理過程得到的結(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行哪個函數(shù)，要用多少 Python 實例，剩下的就交給它了!只需改變?nèi)写a。實例：
- 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，啟動的 Python 進程越多，我的 CPU 有 6 個核。實際處理代碼如下：
- executor.map(load_and_resize, image_files)
「executor.map()」將你想要運行的函數(shù)和列表作為輸入，列表中的每個元素都是我們函數(shù)的單個輸入。由于我們有 6 個核，我們將同時處理該列表中的 6 個項目!
如果再次用以下代碼運行我們的程序：
- time python fast_res_conversion.py
我們可以將運行時間降到 1.14265 秒，速度提升了近 6 倍!
注意：在生成更多 Python 進程及在它們之間整理數(shù)據(jù)時會有一些開銷，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?
如果你有一個數(shù)據(jù)列表要處理，而且在每個數(shù)據(jù)點上執(zhí)行相似的運算，那么使用 Python 并行池是一個很好的選擇。但有時這不是***解決方案。并行池處理的數(shù)據(jù)不會在任何可預(yù)測的順序中進行處理。如果你對處理后的結(jié)果有特殊順序要求，那么這個方法可能不適合你。
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
【本文是51CTO專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】
