问题背景：有一批需要处理的文件，对于每一个文件，都需要调用同一个函数进行处理，相当耗时。

有没有加速的办法呢？当然有啦，比如说你将这些文件分成若干批，每一个批次都调用自己写的python脚本进行处理，这样同时运行若干个python程序也可以进行加速。

有没有更简单的方法呢？比如说，我一个运行的一个程序里面，同时分为多个线程，然后进行处理？

大概思路:将这些个文件路径的list，分成若干个，至于分成多少，要看自己cpu核心有多少，比如你的cpu有32核的，理论上就可以加速32倍。

代码如下：

# -*-coding:utf-8-*-
import numpy as np
from glob import glob
import math
import os
import torch
from tqdm import tqdm
import multiprocessing
label_path = '/home/ying/data/shiyongjie/distortion_datasets/new_distortion_dataset/train/label.txt'
file_path = '/home/ying/data/shiyongjie/distortion_datasets/new_distortion_dataset/train/distortion_image'
save_path = '/home/ying/data/shiyongjie/distortion_datasets/new_distortion_dataset/train/flow_field'
r_d_max = 128
image_index = 0
txt_file = open(label_path)
file_list = txt_file.readlines()
txt_file.close()
file_label = {}
for i in file_list:
 i = i.split()
 file_label[i[0]] = i[1]
r_d_max = 128
eps = 1e-32
H = 256
W = 256
def generate_flow_field(image_list):
 for image_file_path in ((image_list)):
 pixel_flow = np.zeros(shape=tuple([256, 256, 2])) # 按照pytorch中的grid来写
 image_file_name = os.path.basename(image_file_path)
 # print(image_file_name)
 k = float(file_label[image_file_name])*(-1)*1e-7
 # print(k)
 r_u_max = r_d_max/(1+k*r_d_max**2) # 计算出畸变校正之后的对角线的理论长度
 scale = r_u_max/128 # 将这个长度压缩到256的尺寸，会有一个scale，实际上这里写128*sqrt(2)可能会更加直观
 for i_u in range(256):
 for j_u in range(256):
 x_u = float(i_u - 128)
 y_u = float(128 - j_u)
 theta = math.atan2(y_u, x_u)
 r = math.sqrt(x_u ** 2 + y_u ** 2)
 r = r * scale # 实际上得到的r，即没有resize到256×256的图像尺寸size，并且带入公式中
 r_d = (1.0 - math.sqrt(1 - 4.0 * k * r ** 2)) / (2 * k * r + eps) # 对应在原图（畸变图）中的r
 x_d = int(round(r_d * math.cos(theta)))
 y_d = int(round(r_d * math.sin(theta)))
 i_d = int(x_d + W / 2.0)
 j_d = int(H / 2.0 - y_d)
 if i_d < W and i_d >= 0 and j_d < H and j_d >= 0: # 只有求的的畸变点在原图中的时候才进行赋值
 value1 = (i_d - 128.0)/128.0
 value2 = (j_d - 128.0)/128.0
 pixel_flow[j_u, i_u, 0] = value1 # mesh中存储的是对应的r的比值，在进行畸变校正的时候，给定一张这样的图，进行找像素即可
 pixel_flow[j_u, i_u, 1] = value2
# 保存成array格式
 saved_image_file_path = os.path.join(save_path, image_file_name.split('.')[0] + '.npy')
 pixel_flow = pixel_flow.astype('f2') # 将数据的格式转换成float16类型， 节省空间
 # print(saved_image_file_path)
 # print(pixel_flow)
 np.save(saved_image_file_path, pixel_flow)
 return
if __name__ == '__main__':
 file_list = glob(file_path + '/*.JPEG')
 m = 32
 n = int(math.ceil(len(file_list) / float(m))) # 向上取整
 result = []
 pool = multiprocessing.Pool(processes=m) # 32进程
 for i in range(0, len(file_list), n):
 result.append(pool.apply_async(generate_flow_field, (file_list[i: i+n],)))
 pool.close()
 pool.join()

在上面的代码中，函数

generate_flow_field(image_list)

需要传入一个list，然后对于这个list进行操作，之后对操作的结果进行保存

所以，只需要将你需要处理的多个文件，切分成尽量等大小的list，然后再对每一个list，开一个线程进行处理即可

上面的主函数：

if __name__ == '__main__':
 file_list = glob(file_path + '/*.JPEG') # 将文件夹下所有的JPEG文件列成一个list
 m = 32 # 假设CPU有32个核心
 n = int(math.ceil(len(file_list) / float(m))) # 每一个核心需要处理的list的数目
 result = []
 pool = multiprocessing.Pool(processes=m) # 开32线程的线程池
 for i in range(0, len(file_list), n):
 result.append(pool.apply_async(generate_flow_field, (file_list[i: i+n],))) # 对每一个list都用上面我们定义的函数进行处理
 pool.close() # 处理结束之后，关闭线程池
 pool.join()

主要是这样的两行代码，一行是

pool = multiprocessing.Pool(processes=m) # 开32线程的线程池

用来开辟线程池

另外一行是

result.append(pool.apply_async(generate_flow_field, (file_list[i: i+n],))) # 对每一个list都用上面我们定义的函数进行处理

对于线程池，用apply_async()同时跑generate_flow_field这个函数，传入的参数是：file_list[i: i+n]

实际上apply_async()这个函数的作用是所有的线程同时跑，速度是比较快的。

更多Python相关技术文章，请访问Python教程栏目进行学习！