該函數(shù)用于生成具有起點(diǎn)和終點(diǎn)的特定步驟的數(shù)組。根據(jù)函數(shù)的參數(shù)個(gè)數(shù)，分為以下幾種情況:。1.如果只有一個(gè)參數(shù)，這個(gè)參數(shù)就是終點(diǎn)。起點(diǎn)默認(rèn)為0，步長默認(rèn)為1。2.有兩個(gè)參數(shù)，第一個(gè)參數(shù)是起點(diǎn)，第二個(gè)參數(shù)是

該函數(shù)用于生成具有起點(diǎn)和終點(diǎn)的特定步驟的數(shù)組。

根據(jù)函數(shù)的參數(shù)個(gè)數(shù)，分為以下幾種情況:。

1.如果只有一個(gè)參數(shù)，這個(gè)參數(shù)就是終點(diǎn)。起點(diǎn)默認(rèn)為0，步長默認(rèn)為1。

2.有兩個(gè)參數(shù)，第一個(gè)參數(shù)是起點(diǎn)，第二個(gè)參數(shù)是終點(diǎn)，步長默認(rèn)為1。默認(rèn)值為左閉右開。

3.有三個(gè)參數(shù)，第一個(gè)參數(shù)是起點(diǎn)，第二個(gè)參數(shù)是終點(diǎn)，第三個(gè)參數(shù)是步長。步長支持小數(shù)。

正好我在整理我對Python GIL的理解，正好可以回答這個(gè)問題，貼出來。

GIL的存在一直備受爭議，這使得Python程序無法真正利用現(xiàn)代操作系統(tǒng)的多進(jìn)程特性。需要注意的是，I/O圖形處理和NumPy數(shù)學(xué)計(jì)算等耗時(shí)的操作都發(fā)生在GIL之外，基本上不受影響。真正受影響的是Python字節(jié)碼的執(zhí)行，GIL會導(dǎo)致性能瓶頸。簡而言之，只有當(dāng)純Python用于CPU密集型多線程時(shí)，GIL才會成為問題。

什么是GIL？

Python s代碼執(zhí)行由Python虛擬機(jī)控制(也稱解釋器主循環(huán)，CPython版本)。Python最初被設(shè)計(jì)成只有一個(gè)線程在解釋器中運(yùn)行主循環(huán)。也就是說，每個(gè)CPU在任何時(shí)候都只有一個(gè)線程在解釋器中運(yùn)行。對python虛擬機(jī)的訪問由全局解釋鎖GIL控制，它控制一次只能運(yùn)行一個(gè)線程。單核CPU下的多線程其實(shí)是并發(fā)的，不是并行的。

并發(fā)和并行的區(qū)別:

并發(fā)性:兩個(gè)或多個(gè)事件在同一時(shí)間間隔內(nèi)發(fā)生，或者交替做不同的事件，或者交替執(zhí)行不同的代碼塊的能力。并行性:兩個(gè)或多個(gè)事件同時(shí)發(fā)生，或者同時(shí)執(zhí)行不同事件，或者同時(shí)執(zhí)行不同代碼塊的能力。并發(fā)和并行的含義:

并發(fā)和并行都可以處理 "多任務(wù) "，兩者的主要區(qū)別在于多任務(wù)是否 "同時(shí)進(jìn)行 "。

但是涉及到任務(wù)分解(有順序依賴耦合度高的任務(wù)不能并行)、任務(wù)操作(互斥、加鎖、共享等。)，以及結(jié)果合并。

python中的多線程

在Python多線程下，每個(gè)線程的執(zhí)行模式是:

去找GIL

切換到此線程執(zhí)行。

運(yùn)行代碼讓線程休眠。

釋放GIL

再次重復(fù)上述步驟。

在Python2中，解釋器在解釋和執(zhí)行任何Python代碼時(shí)，都需要先獲得這個(gè)鎖(同時(shí)只有一個(gè)獲得了GIL的線程在運(yùn)行，其他線程都在等待，等等。隨著GIL的釋放)，當(dāng)遇到I/O操作時(shí)，這個(gè)鎖將被釋放。如果是沒有I/O操作的純計(jì)算程序，解釋器會每100次操作釋放一次鎖，讓其他線程有機(jī)會執(zhí)行(這個(gè)數(shù)字可以通過調(diào)整)。正是這樣的設(shè)定，多線程CPU密集型計(jì)算顯得很雞肋，下面就說說為什么。

在python3中，GIL不使用滴答計(jì)數(shù)(100次，釋放GIL)，而是使用定時(shí)器(執(zhí)行時(shí)間達(dá)到15ms閾值后，當(dāng)前線程釋放GIL)，使得執(zhí)行次數(shù)更多，釋放次數(shù)更少，對CPU密集型程序更友好，但仍然沒有解決GIL一次只能執(zhí)行一個(gè)線程的問題，所以效率還是不盡如人意。

python s多線程一個(gè)雞肋？

CPU密集型(各種循環(huán)處理，計(jì)數(shù)等。)，在這種情況下，滴答數(shù)很快就會達(dá)到閾值，然后觸發(fā)GIL的釋放和重新競爭(多線程來回切換需要資源)，所以python中的多線程對CPU密集型代碼并不友好，會觸發(fā)相當(dāng)頻繁的線程切換。

IO密集型(文件處理、網(wǎng)絡(luò)爬蟲等。)，多線程可以有效提高效率(如果單線程下有IO操作，就會等待IO，造成不必要的時(shí)間浪費(fèi)，而開啟多線程可以在線程A等待的同時(shí)自動切換到線程B，不會浪費(fèi)CPU資源，從而提高程序執(zhí)行效率。一個(gè)線程從GIL獲得一個(gè)消息，然后等待返回消息(阻塞)，Python在這個(gè)時(shí)候釋放GIL。其他線程得到GIL發(fā)送的消息，然后等待返回消息(阻塞)........................................................................................................................................................所以python 的多線程對IO密集型代碼很友好。

結(jié)論

I/O密集型使用多線程并發(fā)執(zhí)行提高效率，計(jì)算密集型使用多處理并行執(zhí)行提高效率。通常程序中既包含IO操作，又包含計(jì)算操作，所以這種情況下，在開始并發(fā)任務(wù)之前，可以先測試一下，測試一下多線程多進(jìn)程哪種方法效率高。

請注意:多核多線程比單核多線程差。多核多進(jìn)程下，CPU1釋放GIL后，其他CPU上的線程會競爭，但GIL可能馬上被CPU1拿走。CPU2釋放GIL后，其他CPU上被喚醒的線程會被喚醒，等待切換時(shí)間后再進(jìn)入待調(diào)度狀態(tài)，這樣會導(dǎo)致線程抖動，效率降低。

多線程下的CPU密集型計(jì)算并非不可救藥。我們可以用ctypes繞過GIL，ctypes可以讓py變直。然后調(diào)用任意一個(gè)C動態(tài)庫的導(dǎo)出函數(shù)。我們要做的就是用C/C把關(guān)鍵部分寫成Python擴(kuò)展，而且ctypes會在調(diào)用C函數(shù)之前釋放GIL。

同時(shí)可以了解下一個(gè)進(jìn)程，也就是微線程。協(xié)成最大的優(yōu)勢就是極高的執(zhí)行效率。因?yàn)樽映绦蚯袚Q不是線程切換，而是由程序本身控制，所以沒有線程切換的開銷。與多線程相比，線程越多，協(xié)程的性能優(yōu)勢就越明顯。

第二個(gè)好處是不需要多線程鎖機(jī)制，因?yàn)橹挥幸粋€(gè)線程，不存在同時(shí)寫變量的。在協(xié)調(diào)過程中，只需要判斷狀態(tài)，不需要鎖定共享資源，因此執(zhí)行效率遠(yuǎn)高于多線程。

因?yàn)檫M(jìn)程是一個(gè)線程執(zhí)行的，如何使用多核CPU？最簡單的方法就是多進(jìn)程協(xié)調(diào)，既充分利用了多核，又充分發(fā)揮了協(xié)調(diào)的高效率，可以獲得極高的性能。

轉(zhuǎn)載請說明出處，如有更多幫助，贊，支持。

來自我的頭條文章，文章鏈接: