Python: moduli

• moduli omogućavaju odvajanje neovisne funkcionalnosti u zasebne cjeline

Korištenje postojećih modula

• import ime_modula učitava modul ime_modula

  • sve konstante i funkcije postaju dostupne u obliku ime_modula.ime_funkcije(), odnosno ime_modula.ime_konstante
  • popis konstanti i funkcija dobijemo s dir(ime_modula)

  import math
  

  // ekvivalentan C++ kod
  #include <iostream>
  #include <cmath>
  using namespace std;
  

• kompletiranje imena slično bash-u

  import readline
  import rlcompleter
  readline.parse_and_bind("tab: complete")
  

Stvaranje vlastitih modula

Python modul može biti jedna datoteka ili jedan direktorij.

Stvorimo u direktoriju dvije datoteke, datoteku modul1.py sadržaja

def funkcija():
   return 42

varijabla = "paralelno i distribuirano programiranje"

i datoteku program1.py sadržaja

import modul1

if __name__ == "__main__":
    print(modul1.funkcija())
    print(modul1.varijabla)

a zatim pokrenimo datoteku program1.py. Konstrukt if __name__ == '__main__' omogućuje nam uključivanje koda u datoteci program1.py kao modula; to općenito ima smisla kada se unutar samog programa također definiraju neke funkcije. Naime,

• u slučaju da pokrenemo kod naredbom ljuske python program1.py, __name__ će biti jednako "__main__", dok
• u slučaju da pokrenemo kod uključivanjem u novoj datoteci program2.py Python naredbom import program1, __name__ će biti jednako "program1".

Da zaključimo, Python nam ovime omogućuje korištenje svakog našeg programa kao modula.

Primjer modularizacije za PyCUDA aplikaciju

Kod programiranja većih aplikacija potrebno je kod modularizirati, dokumentirati i testirati. Pokažimo to na primjeru koda za računanje zbroja matrica u jednom bloku. Vidjet ćemo da je sasvim prirodno u tako podijeljen kod dodati još funkcionalnosti, primjerice množenje matrica ili nešto drugo.

Datoteka matrix_gpu_ops.cu je sadržaja

__global__ void matrix_sum (float *dest, float *a, float *b)
{
  const int i = threadIdx.y * blockDim.x + threadIdx.x;
  dest[i] = a[i] + b[i];
}

Datoteka matrix_gpu_ops.py je sadržaja

import pycuda.autoinit
import pycuda.driver as drv
import pycuda.gpuarray as ga
import numpy as np
from pycuda.compiler import SourceModule

mod = SourceModule(open("matrix_gpu_ops.cu").read())

matrix_sum = mod.get_function("matrix_sum")

def zbroj_matrica(a, b):
    """
    Funkcija vrši zbrajanje matrica.

    Argumenti:
    a -- matrica tipa np.array
    b -- matrica tipa np.array

    Vraća:
    Zbroj matrica a i b.
    """
    # provjera jesu li prikladnog formata
    assert a.shape == b.shape

    result_gpu = np.empty_like(a)
    matrix_sum(drv.Out(result_gpu), drv.In(a), drv.In(b),
               block=(20,20,1), grid=(1,1))

    return result_gpu

# TODO matrix_product = mod.get_function("matrix_product")

def produkt_matrica(a, b):
    """
    Nije implementiran.
    """
    return None

Datoteka test_matrix_gpu_ops.py je oblika

import matrix_gpu_ops
import numpy as np

def test_zbroj_matrica():
    a = np.ones((20, 20), dtype=np.float32)
    b = np.ones((20, 20), dtype=np.float32)
    result_cpu = a + b
    assert (matrix_gpu_ops.zbroj_matrica(a, b) == result_cpu).all()

Naposlijetku, datoteka program.py u kojoj koristimo napisanu funkciju je oblika

import matrix_gpu_ops
import numpy as np

a = np.ones((20, 20), dtype=np.float32)
b = np.ones((20, 20), dtype=np.float32)
print("Zbroj matrica a i b iznosi", matrix_gpu_ops.zbroj_matrica(a, b))

Pri čemu možemo imati i neke druge vrijednosti.

Author: Vedran Miletić