即使是具有多個CPU核心的單處理器計算機（處理器具有一個或多個核心，計算機具有一個或多個處理器），也會給人一種能夠同時運行多個任務的錯覺。當我們擁有多個處理器時，就可以真正以并行的方式執行計算。
一、并行計算與分布式計算的區別
并行計算在現代計算中非常有用，幾乎是必需的，目的是實現最大性能。開發者將運行時間較長的計算任務分成較小的塊，并將其分配給不同的處理器。這種策略使開發者能夠在相同的時間內進行更多的計算。對于構建基于GUI的應用程序，總是需要對系統進行并行設計，以便一個線程可以保持可用狀態以更新GUI并響應用戶輸入。
并行計算和分布式計算的區別在于，對于并行計算，多個處理器位于同一主板上。分布式計算則使用多臺計算機同時解決問題。現代分布式系統能夠在網絡（局域網/廣域網）上進行通信。分布式計算的優點在于其價格和可擴展性。如果開發者需要更多的計算能力，那么可以很輕松地添加更多的計算機。
從根本上講，并行計算和分布式計算的架構非常相似。主要區別在于分布式計算使用的是分布式內存空間，而不是共享內存空間。它具有能夠為開發者的應用程序提供統一邏輯（而不是物理）內存空間的軟件層，可以幫助開發者將為并行計算編寫的代碼應用于分布式計算。
在本文中將介紹如何使用開源Python/ target=_blank class=infotextkey>Python庫Ray來幫助開發者進行并行和分布式計算，Ray將Pythonic函數和類轉換為分布式設置中的任務和角色。本文將只介紹函數的示例，但是類的概念非常相似。
二、使用pip安裝Ray
這將安裝支持儀表板+集群啟動器的Ray。
pip install 'ray[default]'
如果只想進行最小化安裝：
pip install -U ray
三、使用Ray進行并行計算任務
接下來執行一個示例，該示例使用concurrent.futures，并將其與使用ray執行相同任務的運行進行比較。
import time
import concurrent.futures
Stime = time.perf_counter()
tasks = []
sleepTimes = [0.1, 0.2, 0.1, 0.5, 0.7, 0.9, 0.5,
0.4, 1.5, 1.3, 1.0, 0.3, 0.7, 0.6, 0.3, 0.8]
print(f"Total time of sleep: {sum(sleepTimes)} for {len(sleepTimes)} tasks")
def my_awesome_function(sleepTime=0.1):
time.sleep(sleepTime)
return f"Sleep time {sleepTime}"
all_results = []
with concurrent.futures.ProcessPoolExecutor() as executor:
tasks = [executor.submit(my_awesome_function, sleep)
for sleep in sleepTimes]
for ff in concurrent.futures.as_completed(tasks):
all_results.Append(ff.result())
print(f"Finished in {time.perf_counter()-Stime:.2f}")
這將返回：
$ python test_ray.py
Total time of sleep: 9.9 for 16 tasks
Finished in 1.65
這項工作在順序執行時需要9.9秒完成。由于本文執行的是并行執行，因此在示例中只用了1.65秒就完成了這項工作。請注意，這個時間可能因為不同的計算機而有所不同。
現在使用Ray來完成同樣的工作。本文首先使用ray.init()初始化Ray。然后，裝飾器ray.remote將Python函數轉換為可以異步遠程執行的函數。它會立即返回N個可以并行執行的函數副本。
import time
import ray
import concurrent.futures
Stime = time.perf_counter()
tasks = []
sleepTimes = [0.1, 0.2, 0.1, 0.5, 0.7, 0.9, 0.5,
0.4, 1.5, 1.3, 1.0, 0.3, 0.7, 0.6, 0.3, 0.8]
print(f"Total time of sleep: {sum(sleepTimes)} for {len(sleepTimes)} tasks")
# 初始化Ray。
ray.init()
@ray.remote #convert to a function that can be executed remotely and asynchronously
def my_awesome_function(sleepTime=0.1):
time.sleep(sleepTime)
return f"Sleep time {sleepTime}"
tasks = []
for sleep in sleepTimes:
tasks.append(my_awesome_function.remote(sleep))
all_results = ray.get(tasks)
print(f"Finished in {time.perf_counter()-Stime:.2f}")
這將返回：
Total time of sleep: 9.9 for 16 tasks
Finished in 3.18
由于存在一些開銷，會有一些延遲，但對于大型計算來說，這種延遲可以忽略不計。
四、大規模計算的聚合值
Ray可以輕松地用于聚合多個值，這對于構建需要跨多臺機器進行計算的大型應用程序非常重要。對于大規模計算，Ray可以將聚合的運行時間從線性改為對數。
接下來看一個示例：
import time
import ray
import numpy as np
Stime = time.perf_counter()
@ray.remote
def create_matrix(size):
return np.random.normal(size=size)
@ray.remote
def multiply_matrices(x, y):
return np.dot(x, y)
@ray.remote
def sum_matrices(x, y):
return np.add(x, y)
m1 = create_matrix.remote([1000, 1000])
m2 = create_matrix.remote([1000, 1000])
m3 = create_matrix.remote([1000, 1000])
m4 = create_matrix.remote([1000, 1000])
m12 = multiply_matrices.remote(m1, m2)
m34 = multiply_matrices.remote(m3, m4)
a12_34 = sum_matrices.remote(m12, m34)
## 結果
MM = ray.get(a12_34)
print(f"Finished in {time.perf_counter()-Stime:.2f}")
在上面的示例中，本文首先創建了四個矩陣，將它們分為兩組，對每組中的矩陣進行乘法運算，然后對每組的乘法結果進行求和。在這里，乘法運算是并行進行的，然后將結果聚合以獲得求和結果。
參考資料
-
【安裝Ray】：https://docs.ray.io/en/latest/ray-overview/installation.html
-
Pierfederici, F. (2016). 《Distributed Computing with Python》. Journal of Physics A: Mathematical and Theoretical (Vol. 44, Issue 8). Packt Publishing Ltd.
