Code: Alles auswählen
import pp, scipy
def h(b):
return scipy.cos(b)**2
def func1(a):
return scipy.sin(a)**h(b)
job_server = pp.Server()
f1 = job_server.submit(func1, (1,), ('h',), ('scipy',))
Code: Alles auswählen
import pp
class cl(object):
def __init__(self,a):
#irgendwelche zahlen
self.a = a
def int_func(self,x):
#irgendeine funktion,soll parallelisiert werden
return x**self.a
def func(self,y):
#ruft ein paar mal int_func auf,das soll parallel geschehen
j = pp.Server()
js = {}
r=0
#jobs creieren
for i in xrange(10):
js[repr(i)] = j.submit(self.int_func, (y,),(),())
#ergebnisse einfordern
for i in xrange(10):
print js[repr(i)]()
return r
b = cl(10)
print b.func(4)
Code: Alles auswählen
class MyClass(object):
....
def _heavy_calcs(self, ....): pass
def modify_object(self, ...):
...
_heavy_calcs(...)
# Objekt anlegen
m = MyClass(....)
...
j.submit(m.modify_object, ...)Code: Alles auswählen
import pp, scipy.optimize
class cl(object):
def __init__(self,a):
#irgendwelche zahlen
self.a = a
def heavy_calc(self,x):
#irgendeine funktion,soll parallelisiert werden
#in der realitaet werden hier recht grosse numpy-arrays
#multipliziert und summiert
#dabei wird glueckicherweise nur auf Attribute der Instanz und nicht
#auf Methoden zugegriffen (falls das eine Rolle spielt)
return x**self.a
def multiple_heavy_calcs(self,y):
#ruft einige male hintereinander int_func auf,
#das soll parallel geschehen
#in der realitaet wird hier eine Matrix erstellt
#dazu wird durch die indizes iteriert
#mein erster ansatz nutzte ausschliesslich numpy-arrays
#leider wurden die arrays dann sehr gross
#(ab einer groesse von 64x64x64x64 bekomme ich einen memory error,
#float64,tatsaechlich haette die groesste matrix 8 dimensionen zu je
#ca. 64 eintraegen - nach meiner rechnung brauche ich da gar nciht
#drueber nachdenken dass in einen array zu packen)
j = pp.Server()
js = {}
r=0
#jobs creieren
for i in xrange(10):
js[repr(i)] = j.submit(self.heavy_calc, (y,),(),())
#ergebnisse einfordern
for i in xrange(10):
#das wollte ich eigentlich machen
#r += js[repr(i)]()
#um das aber mal zu demonstrieren:
print js[repr(i)]()
return r
def result(self,x0,x1):
#diese letzte funktion wird dann tatsaechlich aufgerufen
#in der realitaet wird die nullstelle der determinante der matrix gesucht
return scipy.optimize.brentq(self.multiple_heavy_calcs, x0,x1)
b = cl(10)
print b.result(0,1000)
In der Tat: Und da haben wir zwei Probleme:Heini hat geschrieben:Okay, ich versuch's. Den ganzen Code kann ich natürlich schlecht posten, aber im wesentlichen sieht die Struktur schon wie im 2. Beispiel aus, ...