Ejemplos de Procesamiento Paralelo en Python

Este repositorio contiene ejemplos sencillos que demuestran conceptos de procesamiento paralelo en Python utilizando multiprocessing.

Cada ejemplo compara implementaciones secuenciales y paralelas para mostrar diferencias de rendimiento.

Ejemplos

1. Integración Numérica (integral.ipynb)

• Calcula la integral definida de f(x) = x² desde 0 hasta 10

2. Conjunto de Mandelbrot (mandelbrot.ipynb)

• Genera el famoso fractal del conjunto de Mandelbrot

3. Multiplicación de Matrices (multiplicacion_matrices.ipynb)

• Implementa multiplicación de matrices de diferentes maneras:
  • Implementación secuencial
  • Implementación paralela usando multiprocesamiento
  • Implementación con NumPy
  • Implementación con PyTorch (CPU y GPU)
• Compara rendimiento entre diferentes implementaciones

4. Suma de Cuadrados (suma_cuadrados.ipynb)

• Calcula la suma de cuadrados para una lista de números

5. Suma de Vectores (suma_vector.ipynb)

• Realiza la suma de dos vectores grandes

Conceptos

• Procesamiento paralelo básico usando el módulo multiprocessing de Python
• Distribución de trabajo entre múltiples núcleos de CPU usando Pool
• Comparación de rendimiento entre implementaciones secuenciales y paralelas
• Integración con bibliotecas especializadas (NumPy, PyTorch)
• Aceleración por GPU

Ejercicio a implementar:

• Calcular que posiciones de una lista contiene números primos.

Dada una lista de entrada, indicar que posiciones de la lista corresponden a números primos:

entrada = [1, 2, 3, 4, 5, 6]
salida = [False, True, True, False, True, False]

1. Implementar la función is_primo(n: int) -> bool.
2. Implementar una versión secuencial del programa.
3. Implementar una versión paralela del programa.
4. Preguntas:

• Para tamaños de entrada pequeños (<1000), ¿qué versión es más rápida?
• Para tamaños de entrada grandes (>100k), ¿qué versión es más rápida?
• ¿Porqué?
• ¿A partir de qué tamaño comienza a merecer la pena la versión paralela?

Notas

• Los resultados de rendimiento pueden variar según las especificaciones del hardware
• Algunos ejemplos pueden funcionar mejor o peor con procesamiento paralelo dependiendo del tamaño de entrada
• La aceleración por GPU requiere hardware compatible y una instalación adecuada de PyTorch