Python asyncio 中怎么执行 cpu 密集型任务？

[gosky]

理论上讲，两个办法：
一、多线程，但不知道怎么全局解释锁被优化得怎么样
二、多进程，消耗更多内存，因为需要加载模型，内存复制必须要考虑。多进程管理是个麻烦，启动耗时也得考虑

期望有个轻量级的开源程序，轻松完成这个活……

其中的 cpu 密集型，依赖 python 库

问了下 ai ，pytorch c 扩展大部分会释放 gil ，于是决定采用多线程的方式
但……实际运行后，发现虽然自己撸灵活，还是专用推理服务更节省资源

[changz]

多线程+c/c++ ffi

[gaogang]

cpu 密集的任务 用其他合适的语言实现
然后通过 rpc 暴露出来 正好给 python 的 asyncio 调

[lambdaq]

asyncio 顾名思义是 异步 io 。。。众所周知，py 要么卡 cpu 要么卡 io ，asyncio 只解决卡 io 的问题啊。

[fuis]

https://docs.python.org/3/library/concurrent.futures.html#concurrent.futures.ThreadPoolExecutor

[ysn2233]

用 c/c++/rust 的 ffi 做 binding 吧，实在不行 java/go 什么的也行，python 就做个前端调一下

[mirrornighth]

多进程

[ipwx]

“因为需要加载模型，内存复制必须要考虑。”

你是啥模型。有些模型开多线程是可以并行的。

[Goooooos]

python 3.13 可以加个参数去掉 GIL

[guochao]

针对锁和 python 效率的问题：
- 如果你的计算任务可以用 c/rust 的模块，最好是在 c/rust 的部分处理，最好能批处理
- 如果是 pure python ，也许可以试试 taichi 或者类似的东西。因为 python 可以被再次编译成 native 或者 gpu kernel ，并针对架构优化
针对 asyncio 只管异步切换，计算存在长时间阻塞的问题
- （不同进程、单独服务的方案）要么 celery ，或者自己搓一个简单的队列
- （简单在同一个进程中的方案）要么 thread pool executor

[itskingname]

https://mp.weixin.qq.com/s/cbE86FE-VkhvhFJY6XmyPw

[chenqh]

你加载的模型很大吗?不然想不出来为什么不用多进程

[ruanimal]

跑模型还是多进程好

[razertory]

asyncio 是做 IO 密集任务的，不是做 CPU 密集任务

[scipelaina]

`asyncio.to_thread`; `concurrent.futures`.
日经问题，Mark as Duplicated.

[wujian752]

如果是神经网络模型现在 onnxruntime 在 inference 的时候可以不受 GIL 影响

[crackidz]

Python 主要冷启动耗时几十 ms 左右，剩下的交到你的代码中了，启动时间主要取决于你的代码吧...

上面说的基本差不多了，但现在不推荐用那个 nogil 版本，要改你的代码支持部分功能，第三方库也未见得支持。另外还有一些隐蔽 bug...

[yoiteshaw]

我工作中遇到过类似的事情，两年前，无论怎么优化都收效甚微，多线程因为 GIL 反而更慢，最后不得已用多进程去做，用 socket 去通信。
今年我推翻用 rust 重写了，一些逻辑直接的遍历，简简单单 pair_iter 解决，心情舒畅。

[sagaxu]

Python 的 CPU 密集型库大都用 C 实现，大部分时间不会持有 GIL

[skuuhui]

最简单是写个 c++模块，用 python 去调。
其他方法有
1. 换个没锁的解释器
2. wasm
3. https://numba.pydata.org/ ，https://www.trypyjion.com/

[Nich0la5]

asyncio 就不是给你做 cpu 密集型用的

[gray0]

何必多 BB 直接上代码

from concurrent.futures import ProcessPoolExecutor
import asyncio

async def integration_process_and_gather():
with ProcessPoolExecutor() as process_pool:
loop = asyncio.get_running_loop()
numbers = [100000000, 1, 100, 10000, 1000000, 1000, 100000]
tasks = [
loop.run_in_executor(process_pool, do_count_number, n) for n in numbers
]
[print(type(task)) for task in tasks]
results = await asyncio.gather(*tasks)
print(f"integration_hello_world {results}")

[yh7gdiaYW]

简单点就多进程，复杂点就上 ray ，可以分布式计算用得很爽

[lttzzlll]

你提出的问题，限制你的思路。web 服务要简单，轻量，快速响应。推理服务耗时耗资源。正确的方式应该是 同一个项目(git repo)，部署多个进程。经典的做法应该是 一个 web 服务进程，多个 worker 进程，web 服务和 worker 进程之间用队列。以 django/flask 举例:

[lttzzlll]

@lttzzlll 。。。你面的问题不是“Python asyncio 中怎么执行 cpu 密集型任务？”。 换成其他的 web 框架或语言，就没有这种问题了吗？而是在 web 服务中，如何处理比较耗时/耗资源的任务。这些问题都有很经典很成熟的方案。把这类任务放到 worker 节点上，用队列传递消息，不够就增加 replica 的数量。非常成熟和广泛使用的方案，你的场景也不例外。

[cooljiang]

CPU 密集型任务建议换个没 GIL 的 Python 解释器，如 PyPy 之类的。
关于 GIL： https://mp.weixin.qq.com/s/lIkcTuCX5htQcteklCFaZw