От многопоточных вычислений переходим к распределённым. То есть вычисления, происходящие на нескольких компьютерах.
Конечно, в зависимости от задачи, вы можете взять готовые решения вроде CGRU или Deadline для рендеринга, charm4py или Dask для ML, или замутить что-то на AWS С2. Но хотелось бы чего-то попроще, попитоничней что ли)
А ведь в Python есть средства "из коробки" для синхронизации нескольких процессов на разных хостах.
Вот простой пример кода, который синхронизирует работу двух процессов на разных компьютерах.
В этом случае используется процесс-посредник, который является синхронизирующим сервером.
В примере создаётся некий Manager, который шарит общую для клиентов очередь. Все подключившиеся могут что-то в неё писать или забирать.
В моём коде один процесс что-то "считает" и складывает в очередь, другой забирает и продолжает какие-то свои "расчёты".
Если у вас есть несколько машин, то можете попробовать это запустить по сети (нужно заменить 'localhost' на IP-адрес сервера). Но и на локальной машине сработает.
Gist 🌎
#libs#source#tricks
Lookonchain | ꘜ
An #Ethereum ICO participant who bought 100K $ETH(costing $31K) sold 4,283 $ETH($18.97M) again recently.
He has sold 44,284 $ETH($105M) at an average price of $2,378 since 2021, leaving 55,716 $ETH($261.6M).
The total profit is ~$366.8M, an 11,835x return!
https://etherscan.io/address/0x815c53bf36a3bc8b066715da459b365e6ce6c3ed
https://etherscan.io/address/0x2c06dd922b61514aafedd84488c0c28e6dcf0e99
Lookonchain | ꘜ
An #Ethereum ICO participant who received 20,000 $ETH( cost $6,200, now $86.6M) just sold another 2,300 $ETH($9.91M) 20 minutes ago, leaving him with 1,623 $ETH($6.99M).
https://x.com/lookonchain/status/1729788901756211328