ParallelMap

ParallelMap[f,expr]

将 f 并行作用在 expr 第一层的元素上.

ParallelMap[f,expr,levelspec]

将 f 并行作用在 levelspec 指定 expr 的部分元素上.

更多信息和选项

  • ParallelMap 是一个并行的 Map，将 f 作用在不同的内核和处理器之间.
  • ParallelMap 将给出和 Map 相同的结果，除了计算过程中的副作用.
  • ParallelMap 用和 Map 相同的层指定，并非所有指定可以并行化.
  • Parallelize[Map[f,expr]] 等价于 ParallelMap[f,expr].
  • 对于不能并行的 ParallelMap，用 Map 执行计算.
  • 可以给出下列选项：
  • Method Automatic并行化粒度
    DistributedContexts $DistributedContexts用于将符号分配到并行计算的上下文
    ProgressReporting $ProgressReporting是否报告计算进度
  • Method 选项指定要使用的并行化方法. 可能的设置包括：
  • "CoarsestGrained"将计算分成与可用内核数量相同的段
    "FinestGrained"将计算分成最小的子单元
    "EvaluationsPerKernel"->e将计算分成每个内核最多 e 段
    "ItemsPerEvaluation"->m将计算分成每个内核最多 m 个子单元
    Automatic在总开销和负载平衡之间的折中
  • Method->"CoarsestGrained" 适用于涉及多个子单元的计算，所有子单元采用相同的时间计算. 将总开销降到最低，不提供任何负载均衡.
  • Method->"FinestGrained" 适用于少量子单元的计算，子单元采用不同的时间计算. 它提高总开销，但最大化了负载均衡.
  • DistributedContexts 选项指定出现在 expr 中的哪些符号在计算之前将其定义自动分发到所有可用内核.
  • 设置 $DistributedContexts:=$Context，默认值为 DistributedContexts:>$DistributedContexts，该值分发当前上下文中所有符号的定义，但不分发程序包中的符号定义.
  • ProgressReporting 选项指定是否报告并行计算的进度.
  • 默认值为 ProgressReporting:>$ProgressReporting.

范例

打开所有单元关闭所有单元

基本范例  (4)

ParallelMap 与 Map 工作方式相似，不同之处在于并行：

ParallelMap 对于任何函数都适用：

用明确的纯函数：

互动式定义的函数可以立即并行使用：

耗时更长的计算显示有关其进度和估计完成时间的信息：

范围  (6)

在第一层映射（默认）：

映射下降到第二层：

在第二层映射：

映射下降到第三层：

在所有层上映射，从第一层开始：

负数层：

正数层和负数层可以混合：

在每个层上的不同头部（head）：

不是所有层都可以被并行化：

推广和延伸  (2)

ParallelMap 可以用于具有任意头部的表达式中：

具有属性 Listable 的函数被自动映射：

选项  (13)

DistributedContexts  (5)

默认情况下，当前上下文的定义会自动分配：

没有分配任何函数的定义：

分配出现在并行计算中的所有上下文中的符号定义：

只分配给定上下文的定义：

恢复 DistributedContexts 选项的值为默认值：

Method  (6)

把计算分成最小可能的子单元：

把计算分成与可用内核相同数目的块：

对于整个任务，把计算分成每个内核最多两次计算：

把计算分成最次计算最多含有5个元素：

默认选项设置在计算规模和计算次数之间折中：

具有很大差异的运行时间的计算应该被尽可能精细地并行化：

大量简单计算应该被分配成尽可能少的批次：

ProgressReporting  (2)

不显示临时进度报告：

使用 Method"FinestGrained" 可得到准确度最高的进度报告：

应用  (2)

查看求得的结果：

求解算术难题：

以符号形式写出：

对每个字母指定一个数字：

并且把每个单词解释为一个以10为基数的数字：

自动检查一个特定的数字赋值：

为了系统地求解该赋值，首先获取字母列表：

该难题可以通过考虑8个数字的所有子集的全排列来求解：

对它进行并行化处理：

通常只考虑满足 的解：

一旦使用 ParallelTry 找到一个非平凡解，搜索也可以停止：

属性和关系  (10)

并行化出现在使用的最外层上：

Map 实际使用 ParallelMap，可以被自动并行化：

显示具有已知大小的任务的负载平衡的效果：

定义大量具有已知运行时间的任务：

测量并行执行的时间：

得到的加速（越大越好）：

最精颗粒度的调用（Finest-grained scheduling）给出更好的负载平衡和更高的加速：

首先调用大型任务产生更好的结果：

关于一些变量的函数可以使用 MapThread 映射：

通过使用 Parallelize 获取一个并行版本：

MapIndexed 把一个元素的索引传递给被映射的函数：

通过使用 Parallelize 获取一个并行版本：

Scan 与 Map 作用相同，但是不返回结果：

当需要时，互动式定义的函数会自动分配到所有内核：

手动分配定义并禁止自动分配：

对于来自程序包的函数，使用 ParallelNeeds 而不是 DistributeDefinitions：

并行获取 Mathematica 安装中所有 Wolfram 语言文件的大小：

可能存在的问题  (7)

如果一个层次指定阻止了并行化的运行，ParallelMap 的计算类似 Map：

副作用不可以在并行映射的函数中使用：

使用一个共享变量来支持副作用：

在并行内核上未知的一个函数可能导致串行计算：

在所有并行内核上定义该函数：

现在，该函数在并行内核上计算：

当前上下文的定义是自动分布的：

来自于不是默认上下文的定义不会自动分配：

使用 DistributeDefinitions 分配该类定义：

或者，设置 DistributedContexts 选项包括所有上下文：

当并行化时，平凡操作可能需要更长时间：

测量最小并行通讯开销：

与在主内核上进行的简单计算相比较：

函数可以简化短的参数列表，但不能简化长的参数列表：

部分表达式的这种简化可能导致并行映射不能进行：

为了阻止部分表达式的这种简化，只能在最后应用想要的函数：

如果较大型计算接近输入列表的末尾，则时长估计将不准确：

Wolfram Research (2008)，ParallelMap，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ParallelMap.html （更新于 2021 年）.

文本

Wolfram Research (2008)，ParallelMap，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ParallelMap.html （更新于 2021 年）.

CMS

Wolfram 语言. 2008. "ParallelMap." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2021. https://reference.wolfram.com/language/ref/ParallelMap.html.

APA

Wolfram 语言. (2008). ParallelMap. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ParallelMap.html 年

BibTeX

@misc{reference.wolfram_2024_parallelmap, author="Wolfram Research", title="{ParallelMap}", year="2021", howpublished="\url{https://reference.wolfram.com/language/ref/ParallelMap.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_parallelmap, organization={Wolfram Research}, title={ParallelMap}, year={2021}, url={https://reference.wolfram.com/language/ref/ParallelMap.html}, note=[Accessed: 22-November-2024 ]}