Python多处理:我可以使用更新的全局变量重用进程(已经并行化的函数)吗?
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python多处理:我可以使用更新的全局变量重用进程(已经并行化的函数)吗?相关的知识,希望对你有一定的参考价值。
首先让我告诉你我目前的设置:
import multiprocessing.pool
from contextlib import closing
import os
def big_function(param):
process(another_module.global_variable[param])
def dispatcher():
# sharing read-only global variable taking benefit from Unix
# which follows policy copy-on-update
# https://stackoverflow.com/questions/19366259/
another_module.global_variable = huge_list
# send indices
params = range(len(another_module.global_variable))
with closing(multiprocessing.pool.Pool(processes=os.cpu_count())) as p:
multiprocessing_result = list(p.imap_unordered(big_function, params))
return multiprocessing_result
在这里我使用共享变量在创建进程池之前更新,其中包含大量数据,这确实让我获得了加速,因此现在似乎没有被腌制。此变量也属于导入模块的范围(如果它很重要)。
当我尝试创建这样的设置时:
another_module.global_variable = []
p = multiprocessing.pool.Pool(processes=os.cpu_count())
def dispatcher():
# sharing read-only global variable taking benefit from Unix
# which follows policy copy-on-update
# https://stackoverflow.com/questions/19366259/
another_module_global_variable = huge_list
# send indices
params = range(len(another_module.global_variable))
multiprocessing_result = list(p.imap_unordered(big_function, params))
return multiprocessing_result
p
“记得”全球共享列表是空的,并且在从调度员内部调用时拒绝使用新数据。
现在问题是:使用上面的第一个设置在8个核心上处理~600个数据对象,我的并行计算运行8秒,而单线程运行12秒。
这就是我的想法:只要多处理pickle数据,我需要每次重新创建进程,我需要pickle函数big_function()
,所以我浪费时间。使用全局变量部分地解决了数据的情况(但我仍然需要在每次更新时重新创建池)。
我可以用big_function()
的实例做什么(这取决于其他模块的许多其他功能,numpy等)?我可以一劳永逸地创建它的副本os.cpu_count()
,并以某种方式将新数据提供给它们并获得结果,重用工人?
只是为了回顾'记住'问题:
another_module.global_variable = []
p = multiprocessing.pool.Pool(processes=os.cpu_count())
def dispatcher():
another_module_global_variable = huge_list
params = range(len(another_module.global_variable))
multiprocessing_result = list(p.imap_unordered(big_function, params))
return multiprocessing_result
什么似乎是问题是当你创建Pool
实例。
这是为什么?
这是因为当你创建Pool
的实例时,它确实设置了一些工作者(默认情况下等于一些CPU核心),并且它们在那时都被启动(分叉)。这意味着工作人员拥有父母全球状态的副本(以及其他所有的another_module.global_variable
),以及写入时写入策略,当您更新another_module.global_variable
的值时,您可以在父进程中更改它。工人可以参考旧的价值。这就是你遇到问题的原因。
这是一个小片段,您可以在其中切换全局变量值更改的位置以及启动进程的位置,并检查子进程中打印的内容。
from __future__ import print_function
import multiprocessing as mp
glob = dict()
glob[0] = [1, 2, 3]
def printer(a):
print(globals())
print(a, glob[0])
if __name__ == '__main__':
p = mp.Process(target=printer, args=(1,))
p.start()
glob[0] = 'test'
p.join()
这是Python2.7代码,但它也适用于Python3.6。
这个问题的解决方案是什么?
好吧,回到第一个解决方案。您更新导入的模块的变量的值,然后创建进程池。
现在真正的问题是缺乏加速。
以下是documentation关于如何腌制函数的有趣部分:
请注意,函数(内置和用户定义)由“完全限定”的名称引用而非值引用。这意味着只有函数名称被腌制,以及定义函数的模块的名称。函数的代码或其任何函数属性都不会被pickle。因此,定义模块必须可以在unpickling环境中导入,并且模块必须包含命名对象,否则将引发异常。
这意味着你的功能酸洗不应该是浪费时间的过程,或者至少不是它本身。导致加速不足的原因是,对于传递给imap_unordered
调用的列表中的~600个数据对象,您将每个数据对象传递给一个工作进程。再次,multiprocessing.Pool
的潜在实施可能是这个问题的原因。
如果你深入了解multiprocessing.Pool
的实现,你会看到使用Threads
的两个Queue
正在处理父和所有子(工)进程之间的通信。因此,所有进程都不断需要函数参数并不断返回响应,最终会导致父进程非常繁忙。这就是为什么'花费很多'时间花在做'调度'工作来传递数据到工作进程和从工作进程传递数据的原因。
该怎么办?
尝试随时增加工作进程中进程的数据对象数。在您的示例中,您将传递一个数据对象,并且可以确保每个工作进程在任何时候都只处理一个数据对象。为什么不增加传递给工作进程的数据对象的数量?这样,您可以通过处理10个,20个甚至更多数据对象来使每个过程更加繁忙。从我所看到的,imap_unordered
有一个chunksize
论点。它默认设置为1
。尝试增加它。像这样的东西:
import multiprocessing.pool
from contextlib import closing
import os
def big_function(params):
results = []
for p in params:
results.append(process(another_module.global_variable[p]))
return results
def dispatcher():
# sharing read-only global variable taking benefit from Unix
# which follows policy copy-on-update
# https://stackoverflow.com/questions/19366259/
another_module.global_variable = huge_list
# send indices
params = range(len(another_module.global_variable))
with closing(multiprocessing.pool.Pool(processes=os.cpu_count())) as p:
multiprocessing_result = list(p.imap_unordered(big_function, params, chunksize=10))
return multiprocessing_result
几个建议:
- 我看到你创建
params
作为索引列表,用于在big_function
中选择特定的数据对象。您可以创建表示第一个和最后一个索引的元组,并将它们传递给big_function
。这可以成为增加工作量的一种方式。这是我上面提出的方法的另一种方法。 - 除非你明确喜欢使用
Pool(processes=os.cpu_count())
,否则你可以省略它。它默认采用CPU核心数。
很抱歉答案的长度或可能潜入的任何拼写错误。
以上是关于Python多处理:我可以使用更新的全局变量重用进程(已经并行化的函数)吗?的主要内容,如果未能解决你的问题,请参考以下文章