در این مطلب، ویدئو خوشه بندی در پایتون قسمت 2 | پایتون موازی، کرفس، خرگوش با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:10:26
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,009
سلام به همه، این بهروزرسانی از
2
00:00:02,009 –> 00:00:03,840
Pine tannest است، امیدوارم در
3
00:00:03,840 –> 00:00:06,569
ویدیوی قبلی ما در مورد خوشهبندی صحبت کردهایم
4
00:00:06,569 –> 00:00:10,050
که چرا
5
00:00:10,050 –> 00:00:12,900
خوشهبندی بسیار مفید است و من همچنین در مورد برخی از موارد
6
00:00:12,900 –> 00:00:15,509
مهمی که باید
7
00:00:15,509 –> 00:00:17,609
هنگام تغییر از راهحلهای چند پردازشی در نظر بگیرید، صحبت کردم.
8
00:00:17,609 –> 00:00:20,250
برای خوشه بندی اگر
9
00:00:20,250 –> 00:00:22,710
آن ویدیو را ندیده اید، توصیه می
10
00:00:22,710 –> 00:00:25,260
کنم ابتدا آن را تماشا کنید تا مفاهیم اولیه خوشه بندی را درک کنید،
11
00:00:25,260 –> 00:00:27,599
12
00:00:27,599 –> 00:00:30,390
پیوندی را در توضیحات زیر ارسال می کنم اکنون در
13
00:00:30,390 –> 00:00:33,390
این ویدیو ما قصد داریم دو
14
00:00:33,390 –> 00:00:35,399
روش مختلف برای پیاده سازی
15
00:00:35,399 –> 00:00:37,920
خوشه بندی را در شما بررسی کنیم. محصولات پایتون بیایید
16
00:00:37,920 –> 00:00:47,219
شروع کنیم اولین گزینه این است که
17
00:00:47,219 –> 00:00:50,190
پایتون موازی پایتون
18
00:00:50,190 –> 00:00:51,989
رابط بسیار مشابهی با
19
00:00:51,989 –> 00:00:54,420
چند پردازش دارد،
20
00:00:54,420 –> 00:00:56,520
انتقال راه حل های چند پردازشی خود
21
00:00:56,520 –> 00:00:59,760
از یک ماشین چند هسته ای به
22
00:00:59,760 –> 00:01:02,609
چند ماشین برای راه اندازی پایتون موازی بسیار آسان
23
00:01:02,609 –> 00:01:05,159
است. وابستگی ها و
24
00:01:05,159 –> 00:01:07,950
پیکربندی آسان برای کارهای تحقیقاتی روی یک
25
00:01:07,950 –> 00:01:10,710
خوشه محلی بسیار قدرتمند نیست و
26
00:01:10,710 –> 00:01:13,650
مکانیسم های ارتباطی ندارد اما برای
27
00:01:13,650 –> 00:01:16,650
ارسال و ارسال کارهای موازی
28
00:01:16,650 –> 00:01:20,159
به یک خوشه محلی کوچک، استفاده از آن بسیار
29
00:01:20,159 –> 00:01:22,500
آسان است و نکته جالب اینجاست که
30
00:01:22,500 –> 00:01:25,740
پایتون ماژول خاصی را
31
00:01:25,740 –> 00:01:29,310
برای این منظور در اختیار ما قرار داده است به نام PP مخفف
32
00:01:29,310 –> 00:01:31,860
پایتون موازی شما می توانید با استفاده
33
00:01:31,860 –> 00:01:34,290
از دستور بسیار ساده مردم آن را نصب کنید. نصب
34
00:01:34,290 –> 00:01:36,900
PV سه چیز اصلی به
35
00:01:36,900 –> 00:01:39,810
صورت موازی پایتون وجود دارد اول از همه البته
36
00:01:39,810 –> 00:01:42,750
ما نیاز به یک تسک داریم تا اجرا شود، سپس یک
37
00:01:42,750 –> 00:01:45,570
کلاینت داریم که وظیفه ما را به
38
00:01:45,570 –> 00:01:48,600
سرور پایتون موازی ارسال کند و در نهایت یک
39
00:01:48,600 –> 00:01:51,720
سرور پایتون موازی داریم تا
40
00:01:51,720 –> 00:01:54,420
وظایف را به صورت موازی اجرا کنیم. بیایید سعی کنیم
41
00:01:54,420 –> 00:01:57,299
عدد پی را با استفاده از روش مونت کارلو محاسبه
42
00:01:57,299 –> 00:02:00,360
کنیم. این روش شامل ترسیم
43
00:02:00,360 –> 00:02:03,860
روی بوم اسکار با دایره داخلی است،
44
00:02:03,860 –> 00:02:06,930
سپس تعداد زیادی
45
00:02:06,930 –> 00:02:09,270
نقطه تصادفی در مربع ایجاد می کنیم و
46
00:02:09,270 –> 00:02:12,510
شمارش می کنیم که چند سقوط در دایره محصور
47
00:02:12,510 –> 00:02:13,890
48
00:02:13,890 –> 00:02:15,990
می شود این محاسبه را می توان انجام داد. یک
49
00:02:15,990 –> 00:02:18,810
راه موازی با استفاده از پایتون موازی، بیایید سعی
50
00:02:18,810 –> 00:02:21,270
کنیم آن را به جای توضیحات تئوری پیاده سازی کنیم،
51
00:02:21,270 –> 00:02:23,640
بنابراین اولین چیز این است
52
00:02:23,640 –> 00:02:25,920
که ما باید این ماژول را نصب کنیم اگر
53
00:02:25,920 –> 00:02:29,100
y شما در حال کار با پایتون 2.7 هستید، می توانید
54
00:02:29,100 –> 00:02:31,500
مستقیماً آن را نصب کنید، اما با استفاده از
55
00:02:31,500 –> 00:02:34,380
PP نصب کاغذی، اگرچه پایتون 2
56
00:02:34,380 –> 00:02:36,420
اکنون بازنشسته شده است، البته باید
57
00:02:36,420 –> 00:02:39,780
به پایتون 3 برای پایتون 3 ارتقا دهید، ما باید
58
00:02:39,780 –> 00:02:41,790
یک نسخه خاص از این
59
00:02:41,790 –> 00:02:44,520
ماژول را دانلود کرده و آن را بر روی ما بسازیم. سیستم شما
60
00:02:44,520 –> 00:02:46,530
لینک را در توضیحات زیر پیدا خواهید کرد،
61
00:02:46,530 –> 00:02:48,810
فقط وارد آن لینک شوید و
62
00:02:48,810 –> 00:02:52,830
فایل فشرده نسخه 1.6
63
00:02:52,830 –> 00:02:56,760
0.4 0.4 را دانلود کنید و آن را در دایرکتوری ریشه پروژه خود از حالت فشرده خارج کنید
64
00:02:56,760 –> 00:02:59,040
، سپس باید
65
00:02:59,040 –> 00:03:00,870
از ترمینال خود وارد این پوشه شوید و
66
00:03:00,870 –> 00:03:05,459
دستور را اجرا کنید. Python setup py
67
00:03:05,459 –> 00:03:07,650
install آن ماژول را در
68
00:03:07,650 –> 00:03:09,660
محیط مجازی یا روی سیستم شما نصب خواهد کرد
69
00:03:09,660 –> 00:03:13,019
و ما خوب هستیم که خوب است،
70
00:03:13,019 –> 00:03:16,380
بیایید سعی کنیم پی را با استفاده از آن محاسبه کنیم، بنابراین
71
00:03:16,380 –> 00:03:19,890
من زمان تصادفی و
72
00:03:19,890 –> 00:03:22,140
پینت موازی و ماژول را وارد می کنم و تعداد
73
00:03:22,140 –> 00:03:24,989
تخمین ها را تنظیم می کنم. به 100 میلیون، این
74
00:03:24,989 –> 00:03:27,269
نماد علمی برای عدد 100
75
00:03:27,269 –> 00:03:29,700
میلیون است، سپس من تابعی
76
00:03:29,700 –> 00:03:33,959
به نام محاسبه زیر خط PI تعریف می کنم و
77
00:03:33,959 –> 00:03:36,180
از تعداد تخمین ها گذشته و سپس مختصات تصادفی و che را ایجاد می کنم.
78
00:03:36,180 –> 00:03:38,370
79
00:03:38,370 –> 00:03:41,220
اگر داخل دایره است یا نه، موقعیت آنها را بررسی کنید
80
00:03:41,220 –> 00:03:44,010
و تعداد آزمایشها را افزایش دهید
81
00:03:44,010 –> 00:03:47,730
تا آن را بشمارید و در نهایت
82
00:03:47,730 –> 00:03:50,400
تعداد آزمایشها را در آن دایره برای محاسبه پی برمیگردانم،
83
00:03:50,400 –> 00:03:52,950
سپس در داخل اصلی
84
00:03:52,950 –> 00:03:55,890
تعداد پردازشها را روی 4 لیست کردم که
85
00:03:55,890 –> 00:03:57,630
میتوانید تنظیم کنید. با توجه به سیستم شما و
86
00:03:57,630 –> 00:04:00,000
سپس من پایلوت موازی را روی سرور ایجاد میکنم
87
00:04:00,000 –> 00:04:02,870
و تعداد پردازندههای مرکزی را ارسال میکنم،
88
00:04:02,870 –> 00:04:06,329
حالا بیایید یک عبارت ساده را چاپ کنیم تا
89
00:04:06,329 –> 00:04:08,820
مطمئن شویم که سرور راهاندازی شده است،
90
00:04:08,820 –> 00:04:10,950
سپس تعداد کل آزمایشها
91
00:04:10,950 –> 00:04:14,730
در هر فرآیند را با ضرب عدد بدست میآورم. تخمین زده
92
00:04:14,730 –> 00:04:17,760
و تعداد پردازنده ها و
93
00:04:17,760 –> 00:04:20,130
زمان شروع را تنظیم کنید تا ببینید آیا کارها
94
00:04:20,130 –> 00:04:22,860
لیستی برای کارها ایجاد می کنم و
95
00:04:22,860 –> 00:04:25,229
کار را به سرور پایتون موازی
96
00:04:25,229 –> 00:04:27,540
با PI و
97
00:04:27,540 –> 00:04:30,450
تابع محاسبه امتیاز و آرگومان های ورودی
98
00:04:30,450 –> 00:04:32,640
با حلقه زدن از طریق تعداد کل
99
00:04:32,640 –> 00:04:36,000
آزمایشها و هر کار را به
100
00:04:36,000 –> 00:04:38,790
فهرست مشاغل اضافه کنید، سپس در خارج از این حلقه
101
00:04:38,790 –> 00:04:42,120
، کار را برای هر گزارش کار اجرا میکنیم تا
102
00:04:42,120 –> 00:04:44,580
نتیجه آماده شود و همچنین میتوانیم
103
00:04:44,580 –> 00:04:47,160
با اضافه کردن مقدار کار، مقدار کار را محاسبه
104
00:04:47,160 –> 00:04:50,340
کنیم. تعداد کل آزمایشات در هر فرآیند
105
00:04:50,340 –> 00:04:53,880
اکنون برای محاسبه مقدار پی
106
00:04:53,880 –> 00:04:56,580
باید مجموع اعداد را در
107
00:04:56,580 –> 00:04:59,850
دایره واحد در 4 ضرب کنیم و بر
108
00:04:59,850 –> 00:05:02,850
تعداد تخمین و سپس
109
00:05:02,850 –> 00:05:05,430
تعداد فرآیندها تقسیم کنیم و در نهایت
110
00:05:05,430 –> 00:05:08,430
زمان پایان را بدست آورده و دلتا را محاسبه کنم. شما
111
00:05:08,430 –> 00:05:10,950
میتوانید نتیجه را اینجا ببینید عالی است
112
00:05:10,950 –> 00:05:14,310
که چگونه پایتون برای اجرای
113
00:05:14,310 –> 00:05:17,460
وظایف موازی راه میرود، بیایید سعی کنیم
114
0