使用 Ray 并行化大型程序的正确方法

Posted 2023-02-16

【中文标题】使用 Ray 并行化大型程序的正确方法

【英文标题】：Correct way to parallelize a large program using Ray

【发布时间】：2020-12-10 11:23:09

【问题描述】：

我有一个相当大的 Python 程序（约 800 行），其结构如下：

设置指令，我在其中处理用户提供的输入文件并定义对程序执行全局的变量/对象。 主函数，利用之前的设置阶段，调用程序的主要附加函数。 附加函数，可以是主要函数，即它们被主要函数直接调用，也可以是次要函数，即它们仅由主要附加函数调用。 我处理 main 函数结果的最后几行代码。

程序是大规模并行的，因为主函数的每次执行都独立于前一个和下一个。因此，我使用 Ray 在集群中的多个工作节点上并行执行主要功能。操作系统为 CentOS Linux release 8.2.2004 (Core)，集群执行 PBS Pro 19.2.4.20190830141245。我正在使用 Python 3.7.4、Ray 0.8.7 和 Redis 3.4.1。

我在 Python 脚本中有以下内容，其中 foo 是主要功能：

@ray.remote(memory=2.5 * 1024 * 1024 * 1024)
def foo(locInd):
    # Main function

if __name__ == '__main__':
    ray.init(address='auto', redis_password=args.pw,
             driver_object_store_memory=10 * 1024 * 1024 * 1024)
    futures = [foo.remote(i) for i in zip(*np.asarray(indArr == 0).nonzero())]
    waitingIds = list(futures)
    while len(waitingIds) > 0:
        readyIds, waitingIds = ray.wait(
            waitingIds, num_returns=min([checkpoint, len(waitingIds)]))
        for r0, r1, r2, r3, r4, r5, r6, r7 in ray.get(readyIds):
            # Process results
            indArr[r0[::-1]] = 1
            nodesComplete += 1
    ray.shutdown()

以下是我用来启动 Ray 的说明

# Head node
/path/to/ray start --head --port=6379 \
--redis-password=$redis_password \
--memory $((120 * 1024 * 1024 * 1024)) \
--object-store-memory $((20 * 1024 * 1024 * 1024)) \
--redis-max-memory $((10 * 1024 * 1024 * 1024)) \
--num-cpus 48 --num-gpus 0

# Worker nodes
/path/to/ray start --block --address=$1 \
--redis-password=$2 --memory $((120 * 1024 * 1024 * 1024)) \
--object-store-memory $((20 * 1024 * 1024 * 1024)) \
--redis-max-memory $((10 * 1024 * 1024 * 1024)) \
--num-cpus 48 --num-gpus 0

只要我处理足够小的数据集，一切都会按预期运行。然而，执行会产生以下警告

2020-08-17 17:16:44,289 警告 worker.py:1134 -- 警告：远程函数 __main__.foo 腌制时的大小为 220019409。它将存储在 Redis 中，这可能会导致内存问题。这可能意味着它的定义使用了一个大数组或其他对象。 2020-08-17 17:17:10,281 警告 worker.py:1134 -- 要求此工作人员执行它尚未注册的功能。您可能需要重新启动 Ray。

如果我尝试在更大的数据集上运行代码，我会收到以下错误：

Traceback (most recent call last):
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/connection.py", line 700, in send_packed_command
    sendall(self._sock, item)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/_compat.py", line 8, in sendall
2020-08-21 14:22:34,226 WARNING worker.py:1134 -- Warning: The remote function __main__.foo has size 898527351 when pickled. It will be stored in Redis, which could cause memory issues. This may mean that its definition uses a large array or other object.
    return sock.sendall(*args, **kwargs)
ConnectionResetError: [Errno 104] Connection reset by peer

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "./Program.py", line 1030, in <module>
    for i in zip(*np.asarray(indArr == 0).nonzero())]
  File "./Program.py", line 1030, in <listcomp>
    for i in zip(*np.asarray(indArr == 0).nonzero())]
  File "/home/157/td5646/.local/lib/python3.7/site-packages/ray/remote_function.py", line 95, in _remote_proxy
    return self._remote(args=args, kwargs=kwargs)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/ray/remote_function.py", line 176, in _remote
    worker.function_actor_manager.export(self)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/ray/function_manager.py", line 152, in export
    "max_calls": remote_function._max_calls
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/client.py", line 3023, in hmset
    return self.execute_command('HMSET', name, *items)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/client.py", line 877, in execute_command
    conn.send_command(*args)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/connection.py", line 721, in send_command
    check_health=kwargs.get('check_health', True))
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/connection.py", line 713, in send_packed_command
    (errno, errmsg))
redis.exceptions.ConnectionError: Error 104 while writing to socket. Connection reset by peer.

对于我向 Ray 描述程序的方式，我显然做错了。我有我认为是全局的 Scipy Interpolator 对象，但是，正如在这个 GitHub thread 中已经指出的那样，我应该在它们上调用 ray.put。那里的问题是我遇到了这些ValueError: buffer source array is read-only，我不知道如何诊断。另外，我不确定是应该用@ray.remote 装饰所有功能还是只装饰主要功能。我想我可以为所有附加功能做@ray.remote(num_cpus=1)，因为它实际上应该是并行执行的主要功能，但我不知道这是否有意义。

非常感谢任何帮助，如果需要，我很乐意提供更多信息。

【参考方案1】：

我可能已经解决了我的问题，但我不介意别人的意见，因为我的 Ray 知识确实有限。另外，我想这可能会帮助遇到类似问题的其他人（希望我并不孤单！）。

正如我在问题中提到的，该程序对于足够小的数据集运行得相当好（尽管它似乎绕过了 Ray 逻辑的某些方面），但它最终在大型数据集上崩溃了。仅使用 Ray 任务，我没有设法调用存储在 Object Store (ValueError: buffer source array is read-only) 中的 Scipy Interpolator 对象，并且装饰所有函数没有意义，因为实际上只有主要的函数应该同时执行（同时调用其他函数)。

因此，我决定更改程序的结构以使用 Ray Actor。设置说明现在是__init__ 方法的一部分。特别是，Scipy Interpolator 对象在此方法中定义并设置为self 的属性，就像全局变量一样。大多数函数（包括主函数）都变成了类方法，但通过 Numba 编译的函数除外。对于后者，它们仍然是用@jit 修饰的独立函数，但它们现在每个在调用jitted 函数的类中都有一个等效的包装器方法。

为了让我的程序并行执行我现在的 main 方法，我依赖于 ActorPool。我创建了与可用 CPU 一样多的 actor，每个 actor 执行 main 方法，成功调用方法和 Numba 编译的函数，同时还设法访问 Interpolator 对象。我只将 @ray.remote 应用于定义的 Python 类。所有这些都转化为以下结构：

@ray.remote
class FooClass(object):
    def __init__(self, initArgs):
        # Initialisation

    @staticmethod
    def exampleStaticMethod(args):
        # Processing
        return

    def exampleMethod(self, args):
        # Processing
        return

    def exampleWrapperMethod(self, args):
        return numbaCompiledFunction(args)

    def mainMethod(self, poolMapArgs):
        # Processing
        return


@jit
def numbaCompiledFunction(args):
    # Processing
    return


ray.init(address='auto', redis_password=redPass)
actors = []
for actor in range(int(ray.cluster_resources()['CPU'])):
    actors.append(FooClass.remote(initArgs))
pool = ActorPool(actors)
for unpackedTuple in pool.map_unordered(
        lambda a, v: a.mainMethod.remote(v),
        poolMapArgs):
    # Processing
ray.shutdown()

这在分布在 4 个节点上的 192 个 CPU 上成功运行，没有任何警告或错误。

【讨论】：

从一个月开始就开始研究ray，这个例子真的很有帮助。非常感谢