Le GIL (Global Interpreter Lock) de Python limite les programmes multithreads pour implémenter un véritable informatique parallèle dans CPYthon. 1. La raison principale de GIL est de simplifier la gestion de la mémoire et d'assurer la sécurité du thread par le mécanisme de comptage de référence; 2. Pour les taches à forte intensité de processeur, GIL est devenu un goulot d'étranglement et le multi-threading ne peut pas profiter des avantages du multi-fond, et l'efficacité de l'exécution n'a pas été améliorée ni même diminuée; 3. Dans les taches à forte intensité d'E / S, les applications GUI et autres scénarios, les threads peuvent toujours améliorer l'efficacité de la réponse en abandonnant les ressources; 4. Les alternatives facultatives incluent l'utilisation de la bibliothèque multiprocesseur pour la programmation multi-processus, en utilisant Python sans Gil pour implémenter comme Jython ou Ironpython, et appeler des bibliothèques tierces qui libèrent GIL telles que Numpy et Tensorflow. Il est essentiel de comprendre le scénario d'application et de sélectionner le bon modèle de concurrence.

Le verrouillage de l'interprète global Python, ou GIL, est un mécanisme utilisé dans l'interpréteur CPYthon (l'implémentation par défaut et la plus utilisée de Python) pour s'assurer qu'un seul thread exécute des bytecodes python à la fois dans un seul processus. Cela peut sembler limitant, surtout si vous essayez d'écrire des applications multipliées pour profiter de plusieurs c?urs de processeur, mais il y a plus que cela.

Pourquoi le Gil existe-t-il?

Le Gil existe principalement pour des raisons de simplicité et de performance - en particulier autour de la gestion de la mémoire.
CPython utilise le comptage de référence pour gérer la mémoire: chaque objet a un compte du nombre de références qui le pointent. Lorsque ce nombre tombe à zéro, la mémoire peut être libérée.

Mais dans un environnement multi-thread, ce comptage de référence n'est pas un filetage à moins d'être protégé par une serrure. Au lieu de verrouiller chaque petite opération impliquée dans le suivi des références, le GIL fournit un seul verrou global qui simplifie considérablement les choses.

• Il rend le système de gestion de la mémoire plus s?r et plus facile à entretenir.
• Il évite les conditions de course dans l'interpréteur sans nécessiter de serrures à grains fins sur chaque structure de données interne.

Ainsi, bien que le GIL aide à maintenir la mise en ?uvre de Cpython relativement simple et efficace, il introduit également une limitation bien connue.

Comment le GIL affecte-t-il les programmes multi-threads?

Si votre programme Python utilise plusieurs threads et fait principalement un travail lié au processeur (comme les calculs numériques, le traitement d'image ou l'apprentissage automatique), le GIL devient un goulot d'étranglement car il oblige ces threads à exécuter séquentiellement plut?t que vraiment en parallèle.

Par exemple:

• Vous démarrez 4 threads sur une machine à 4 c?urs.
• Chaque thread fait de l'informatique lourde.
• En raison du GIL, un seul fil fonctionne à la fois.
• Le résultat? Votre programme ne s'accélère pas - parfois il ralentit même en raison de la commutation de contexte.

Ce comportement surprend souvent les développeurs provenant d'autres langues où les threads peuvent fonctionner simultanément sur les noyaux.

Cependant, tout n'est pas perdu. Il existe des scénarios où le threadage aide toujours, tel que:

• Programmes liés aux E / S (par exemple, lecture / écriture de fichiers, demandes de réseau)
• Taches qui passent du temps à attendre les ressources externes
• Applications GUI où la réactivité est importante

Dans ces cas, les threads peuvent donner un contr?le en attendant, permettant aux autres de progresser - même avec le GIL en place.

Quelles sont les alternatives?

Si vous avez vraiment besoin d'un vrai parallélisme dans Python pour les taches liées au processeur, le filetage ne le coupera pas - mais il existe des alternatives:

• Utilisez le multiprocessement : cela contourne entièrement le GIL en reprenant des processus séparés au lieu des threads. Chaque processus a son propre interprète Python et son espace mémoire. Cela permet une utilisation complète de plusieurs processeurs.

• Essayez des implémentations alternatives : Jython et Ironpython n'ont pas de gil, bien qu'ils viennent avec leurs propres compromis. Pypy peut offrir de meilleures performances dans certains scénarios filetés, mais a toujours un GIL.

• Configuration du travail vers les extensions : de nombreuses bibliothèques comme Numpy ou TensorFlow publient le GIL en interne lors de la réalisation de calculs lourds, permettant un véritable parallélisme sous le capot même si le code Python lui-même est limité.

Il y a également des recherches en cours sur la suppression complètement du GIL de CPYthon, mais cela nécessiterait des changements majeurs à l'interprète et pourrait introduire des problèmes de performance ailleurs.

Réflexions finales

Le GIL est un choix de conception dans CPYthon qui simplifie la gestion de la mémoire mais limite la véritable concurrence dans les programmes Python multipliés et liés au CPU. Il est important de comprendre le type de charge de travail que votre application a - et de choisir des techniques de filetage, de multiprocessement ou d'asynchrones en conséquence.

Si vous avez affaire à beaucoup de travail CPU, optez pour le multiprocessement. Si vous attendez principalement des E / S, le filetage peut toujours aider. Et si vous utilisez des bibliothèques optimisées, ils pourraient déjà gérer le problème GIL dans les coulisses.

C'est essentiellement ?a.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!