Python多处理：只有一个进程正在运行

Question

我正在尝试使用Python多处理模块生成多个并行进程。 基本上，我做了类似的事情

pool = Pool(30)
results = [pool.apply_async(foo, (trainData, featureVector, terms, selLabel)) for selLabel in selLabels]
for r in results:
    tmp = r.get()
    modelFiles[tmp[0]] = tmp[1]

产生了30个进程，但是，似乎大多数进程已进入休眠状态，而实际只有一个进程正在运行。 以下是我从ps得到的：

PID %CPU %MEM    VSZ   RSS TTY      STAT START   TIME COMMAND

31267 74.6  2.4 7125412 6360080 pts/1 Sl+  13:06  24:25  \_ python2.6 /home/PerlModules/Python/DoOVA.py

31427 27.4  2.3 6528532 6120904 pts/1 R+   13:20   5:18      \_ python2.6 /home/PerlModules/Python/DoOVA.py

31428  0.0  1.3 4024724 3617016 pts/1 S+   13:20   0:00      \_ python2.6 /home/PerlModules/Python/DoOVA.py

31429  0.0  1.3 4024724 3617016 pts/1 S+   13:20   0:00      \_ python2.6 /home/PerlModules/Python/DoOVA.py

31430  0.0  1.3 4024724 3617016 pts/1 S+   13:20   0:00      \_ python2.6 /home/PerlModules/Python/DoOVA.py

DoOVA.py是我正在运行的脚本。 他们中的大多数人的身份都是S+ 。

谁能给我一些关于问题的线索？ 我知道输入争论featureVector大小非常大，比如大约300MB。 那会是个问题吗？ 我运行的机器有几TB的内存。

foo做的事情如下：

def foo(trainData, featureVector, terms, selLabel, penalty):
    outputFile = 'train_'+selLabel+'.dat'
    annotation = dict()
    for id in trainData:
        if trainData[id] == selLabel:
            annotation[id] = '1'
        else:
            annotation[id] = '-1'
    try:
        os.mkdir(selLabel)
        os.chdir(selLabel)
    except OSError:
        os.chdir(selLabel)
    ###Some more functions, which involves a command line call through call from subprocess module
    os.chdir('../')
    return (selLabel, 'SVM_' + selLabel + '.model')

所有其他输入参数的大小都很小。 机器至少有100 cpus。 在每次运行中，即使在创建任何目录之前，脚本也需要很长时间，尽管在os.mkdir（）之前foo中没有发生重大计算。

Answer 1

正如评论指出要通过featureVector使用initializer和initargs参数Pool 。 在Unix类型的系统上，这将导致大量的性能提升（即使selLabels只有1个项目），因为该值将使用os.fork基本上免费传递给子进程。 否则，每次调用foo ， featureVector都将被父进程pickle，通过管道传递并由子进程进行unpickled。 这将花费很长时间，并且基本上将序列化所有子进程，因为它们将等待父进程腌制并featureVector发送每个调用的featureVector副本。

由于对于我上面谈论的内容存在一些困惑，所以这里有一个更长的解释，说明代码中发生的内容与当前编写的内容有关：

创建Pool对象时，将立即创建30个工作进程，主进程的所有子进程都创建了Pool对象。 为了与每个子进程进行通信，创建了一个管道。 此管道允许父进程和子进程之间的双向通信。 父级使用管道来指示子进程执行的操作，子级使用管道通知父级任何操作的结果。

当您第一次调用pool.apply_async ，父进程通过管道发送命令，指示子进程使用提供的参数执行foo函数。 由于其中一个论点是巨大的，300MB，这最终需要很长时间。 父进程必须pickle对象。 这会将对象（及其引用的所有内容）转换为可通过管道发送的字节流。

由于管道只能容纳大约64k（Linux默认值），并且您发送的内容远不止这些，因此可以有效地同步父进程和其中一个子进程。 父进程只能以子进程可以接收和取消它们的速度发送参数，并且子进程只能像父进程一样快地接收参数并发送它们。 虽然这是在进行所有其他子进程必须等待。 父进程一次只能向一个子进程发送命令。

一旦父进程完成了第一次调用foo所有参数的发送，它就可以继续发送命令再次调用foo 。 在此之后不久，一旦子进程收到所有参数，孩子就会调用foo 。 （这就是为什么在创建任何目录之前需要很长时间，甚至在foo被调用之前需要很长时间。）在foo返回之后，子进程将等待父进程发送另一个命令。 如果foo本身需要足够短的时间来执行，那么接收第一个命令来调用foo同一子进程也可能会收到第二个调用foo命令。

除非foo本身需要很长时间才能执行，只要比通过管道发送featureVector花费的时间长或长，那么你将被有效地限制为只执行一个子进程。 父进程将尝试命令子进程尽可能快地调用foo ，但由于featureVector太大，它只能以非常慢的速率执行。 一旦完成将命令发送到一个进程来调用foo ，它命令调用foo的前一个进程很久以前就已经完成了对foo调用。 运行子进程之间几乎没有重叠。

为了解决代码中的性能问题，您需要执行以下操作：

def child_initialize(_trainData, _featureVector, _terms):
     global trainData, featureVector, terms
     trainData = _trainData
     featureVector = _featureVector
     terms = _terms

def foo(selLabel):
     ...

pool = Pool(30, initialize = child_initialize, initargs = (trainData, featureVector, terms))
results = [pool.apply_async(foo, (selLabel,)) for selLabel in selLabels]

此代码还使用initargs传递trainData和term ，假设它们也不会更改。

虽然这应该会带来巨大的性能提升，并允许子进程并行运行，但这并不一定意味着子进程将以更常见的状态出现在可运行状态的ps中。 您的示例foo函数看起来似乎将花费大部分时间等待“命令行调用”完成。