在之前的博客中我们介绍过等python多进程任务的方案，而之所以我们又在考虑MPI等方案来实现python并行计算的原因，其实是将python的计算任务与并行计算的任务调度分层实现。在concurrent和multiprocessing等方案中，我们的python计算任务和调度任务是一体化的，而且还有一个比较大的限制是没办法跨节点操作的，这对于任务与环境的定制化程度要求是比较高的。而MPI的方案在设计初期就考虑到了多节点之间通信的问题，而这种分层式的任务调度解决方案其实在架构上看也更加的合理。做计算的人只要考虑单个进程下的任务如何执行就可以了，至于任务如何并行如何调度，那就是上层的MPI该做的事情了。
这里推荐使用conda直接安装，如果采用pip安装的话，可能会有些环境依赖的问题出现：
安装完成后可以通过来检查是否安装成功，下面我们来看一些具体的使用案例。
首先了解下mpi的基本使用方法，如果我们使用这样的指令去运行一个程序，那么就会给每一个不同的中发送一个互不相同的rank，这个rank的范围是从0开始数的。比如如下案例我们使用方法就可以获取到mpi所传递下来的rank id，这样进程就知道了自己所处的进程编号，我们写好每个编号下所需要执行的任务即可：
执行效果如下：
当然，因为每个任务都是平级的关系，因此mpi的rank id也是随机发放的，这个没办法控制，但是我们可以用如下的方法在进程间通信：
在这个案例中，我们从rank id为0的进程向rank id为1的进程发送了一个整数变量的数据。因为我们并不知道这个脚本什么时候会被分配到rank 0什么时候会被分配到rank 1，因此在同一个脚本内我们就需要分别对这两种可能发生的情况进行针对性的处理。运行结果如下：
整数型的变量被成功的传递，当然，这里面其实还有个更加重要的意义是，rank为1的进程实际上是对rank为0的进程有时间序列上的依赖的，我们必须执行完rank 0中的任务，才能再执行rank 1中的任务，这个是有可能在实际的应用过程中被频繁使用的功能，尤其是任务之间互相有依赖的情况下。当然，进程之间的通信不仅仅可以传递整数型的变量，还可以传递其他类型，比如字典或者一个numpy的数组：
运行结果如下：
可以看到结果是被成功的接收了的。
在这篇文章中，我们并没有介绍非常多的MPI的应用，其实在普通的并行或者分布式任务中，掌握了各个进程的任务处理过程以及进程间的通信方法就足够了。总体来说，MPI是一个非常通用也非常高效的并行计算软件。有了这些专业的并行化任务调度软件，我们就可以专注于专业任务的代码和算法上，而不需要过多的去关注并行任务的调度和分配问题。
本文首发链接为：
作者ID：DechinPhy
到此这篇ubantu安装mpi（ubantu安装anoconda）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/48008.html