您可以利用多进程来在子进程中运行模拟，并利用复制-写入（copy-on-write）的分支优势，仅在开始时解封/处理数据一次：
import multiprocessing
import pickle
mp = multiprocessing.get_context('fork')
data = pickle.load(open(DATA_ROOT + pickle_name, 'rb'))
def _run_simulation(_):
run_simulation()
with mp.Pool() as pool:
pool.map(_run_simulation, range(num_simulations))
如果您想对每个模拟运行进行参数化，可以按照以下方式操作：
import multiprocessing
import pickle
mp = multiprocessing.get_context('fork')
data = pickle.load(open(DATA_ROOT + pickle_name, 'rb'))
with mp.Pool() as pool:
simulations = ('arg for simulation run', 'arg for another simulation run')
pool.map(run_simulation, simulations)
这样，run_simulation函数将会接收到来自simulations元组的值，这可以允许每个模拟使用不同的参数运行，甚至只是为了记录/保存目的分配每次运行一个ID编号或名称。
整个方法都依赖于fork的可用性。有关在Python的内置multiprocessing库中使用fork的更多信息，请参见有关上下文和启动方法的文档。您可能还希望考虑使用forkserver多进程上下文（使用mp = multiprocessing.get_context('fork')）出于文档中所述的原因。
如果您不想并行运行模拟，则可以调整此方法以适用于该需求。关键的是，为了只处理数据一次，您必须在处理数据的进程或其子进程之一中调用run_simulation。
例如，如果您想编辑run_simulation执行的操作，然后再次运行它，您可以使用类似以下代码的方式进行：
main.py:
import multiprocessing
from multiprocessing.connection import Connection
import pickle
from data import load_data
load_data()
mp = multiprocessing.get_context('fork')
def load_and_run_simulation(result_pipe: Connection) -> None:
from simulation import run_simulation
try:
run_simulation()
except Exception as ex:
result_pipe.send(ex)
else:
result_pipe.send(None)
def run_simulation_in_child_process() -> None:
result_pipe_output, result_pipe_input = mp.Pipe(duplex=False)
proc = mp.Process(
target=load_and_run_simulation,
args=(result_pipe_input,)
)
print('Starting simulation')
proc.start()
try:
result = result_pipe_output.recv()
if isinstance(result, Exception):
raise result
proc.join()
except KeyboardInterrupt:
print("Caught 'KeyboardInterrupt'; terminating simulation")
proc.terminate()
print('Simulation finished')
if __name__ == '__main__':
while True:
choice = input('\n'.join((
'What would you like to do?',
'1) Run simulation',
'2) Exit\n',
)))
if choice.strip() == '1':
run_simulation_in_child_process()
elif choice.strip() == '2':
exit()
else:
print(f'Invalid option: {choice!r}')
data.py:
from functools import lru_cache
@lru_cache
def load_data():
with open(DATA_ROOT + pickle_name, 'rb') as f:
return pickle.load(f)
simulation.py:
from data import load_data
data = load_data()
def run_simulation():
...
上述三个文件应该都在同一个目录下，和一个可以为空的
__init__.py文件一起。
main.py文件可以根据您的喜好进行重命名，并且是此程序的主要入口点。您可以直接运行
simulation.py，但这将导致长时间加载/处理数据，这是您最初遇到的问题。当
main.py正在运行时，可以编辑
simulation.py文件，因为每次从
main.py运行模拟时，它会重新加载。
对于macOS用户：在macOS上分叉可能有点错误，这就是为什么Python默认使用
spawn方法在macOS上进行多进程处理，但仍然支持
fork和
forkserver。如果遇到崩溃或与多进程相关的问题，请尝试将
OBJC_DISABLE_INITIALIZE_FORK_SAFETY=YES添加到您的环境中。有关更多详细信息，请参见
https://dev59.com/KVUL5IYBdhLWcg3wjIpQ#52230415。
shared_memory将信息存储为字节缓冲区。如果您不想共享数组，那么您可能需要重新序列化数据以保存在其中。 - thsheanumpy，但它使用了什么呢？你需要在运行之间保存什么庞大的数据结构？你不能将整个 Python 对象保存到某种共享内存空间中，如果你尝试这样做，会严重破坏解释器的内存管理。但是根据你的数据实际情况，你可能能够共享一些东西，我们只有在了解数据的情况下才能知道它是什么。 - Blckknght