使用numpy / scipy最大限度地减少Python multiprocessing.Pool的开销

Question

我花了几个小时来尝试并行化我的数字运算代码，但是当我这样做时它只会变慢。 不幸的是，当我尝试将其减少到下面的示例时，问题就消失了，我真的不想在这里发布整个程序。 所以问题是：在这类程序中我应该避免哪些陷阱？

（注意：Unutbu的答案在底部后跟进。）

以下是情况：

• 它是关于一个模块，它定义了一个包含大量内部数据的类BigData 。 在该示例中，存在一个插值函数列表ff ; 在实际程序中，还有更多，例如ffA[k] ， ffB[k] ， ffB[k] ffC[k] 。
• 计算将被归类为“令人尴尬的并行”：可以一次在较小的数据块上完成工作。 在示例中，这是do_chunk() 。
• 在我的实际程序中，示例中显示的方法将导致最差的性能：每个块约1秒（在单个线程中完成的实际计算时间的0.1秒左右）。 因此，对于n = 50， do_single()将在5秒内运行， do_multi()将在55秒内运行。
• 我还尝试通过将xi和yi数组切割成连续的块并迭代每个块中的所有k值来分割工作。 这工作得更好一点。 现在，无论是使用1,2,3或4个线程，总执行时间都没有差别。 但当然，我希望看到实际的加速！
• 这可能是相关的： Multiprocessing.Pool使Numpy矩阵乘法更慢 。 但是，在程序的其他地方，我使用了一个多处理池来进行更加孤立的计算：一个看起来像def do_chunk(array1, array2, array3)的函数（没有绑定到类），并且只对numpy计算阵列。 在那里，有显着的速度提升。
• CPU使用率随着预期的并行进程数量而变化（三个线程的CPU使用率为300％）。

#!/usr/bin/python2.7

import numpy as np, time, sys
from multiprocessing import Pool
from scipy.interpolate import RectBivariateSpline

_tm=0
def stopwatch(msg=''):
    tm = time.time()
    global _tm
    if _tm==0: _tm = tm; return
    print("%s: %.2f seconds" % (msg, tm-_tm))
    _tm = tm

class BigData:
    def __init__(self, n):
        z = np.random.uniform(size=n*n*n).reshape((n,n,n))
        self.ff = []
        for i in range(n):
            f = RectBivariateSpline(np.arange(n), np.arange(n), z[i], kx=1, ky=1)
            self.ff.append(f)
        self.n = n

    def do_chunk(self, k, xi, yi):
        s = np.sum(np.exp(self.ff[k].ev(xi, yi)))
        sys.stderr.write(".")
        return s

    def do_multi(self, numproc, xi, yi):
        procs = []
        pool = Pool(numproc)
        stopwatch('Pool setup')
        for k in range(self.n):
            p = pool.apply_async( _do_chunk_wrapper, (self, k, xi, yi))
            procs.append(p)
        stopwatch('Jobs queued (%d processes)' % numproc)
        sum = 0.0
        for k in range(self.n):
            # Edit/bugfix: replaced p.get by procs[k].get
            sum += np.sum(procs[k].get(timeout=30)) # timeout allows ctrl-C interrupt
            if k == 0: stopwatch("\nFirst get() done")
        stopwatch('Jobs done')
        pool.close()
        pool.join()
        return sum

    def do_single(self, xi, yi):
        sum = 0.0
        for k in range(self.n):
            sum += self.do_chunk(k, xi, yi)
        stopwatch('\nAll in single process')
        return sum

def _do_chunk_wrapper(bd, k, xi, yi): # must be outside class for apply_async to chunk
    return bd.do_chunk(k, xi, yi)        

if __name__ == "__main__":
    stopwatch()
    n = 50
    bd = BigData(n)
    m = 1000*1000
    xi, yi = np.random.uniform(0, n, size=m*2).reshape((2,m))
    stopwatch('Initialized')
    bd.do_multi(2, xi, yi)
    bd.do_multi(3, xi, yi)
    bd.do_single(xi, yi)

输出：

Initialized: 0.06 seconds
Pool setup: 0.01 seconds
Jobs queued (2 processes): 0.03 seconds
..
First get() done: 0.34 seconds
................................................Jobs done: 7.89 seconds
Pool setup: 0.05 seconds
Jobs queued (3 processes): 0.03 seconds
..
First get() done: 0.50 seconds
................................................Jobs done: 6.19 seconds
..................................................
All in single process: 11.41 seconds

计时采用Intel Core i3-3227 CPU，具有2个内核，4个线程，运行64位Linux。 对于实际程序，多处理版本（池机制，即使只使用一个核心）比单进程版本慢10倍。

跟进

Unutbu的回答让我走上正轨。 在实际的程序中， self被腌制成一个需要传递给工作进程的37到140 MB的对象。 更糟糕的是，Python酸洗非常缓慢; 酸洗本身花了几秒钟，这发生在传递给工人流程的每一块工作中。 除了apply_async和传递大数据对象apply_async ，Linux中apply_async的开销非常小; 对于一个小函数（添加几个整数参数），每个apply_async / get对只需0.2 ms。 因此，以非常小的块分割工作本身并不是问题。 所以，我将所有大数组参数作为索引传递给全局变量。 为了CPU缓存优化，我保持小块大小。

全局变量存储在全局dict ; 在设置工作池之后，将立即在父进程中删除这些条目。 只有dict的密钥才会传送给工作人员。 酸洗/ IPC唯一的大数据是工人创建的新数据。

#!/usr/bin/python2.7

import numpy as np, sys
from multiprocessing import Pool

_mproc_data = {}  # global storage for objects during multiprocessing.

class BigData:
    def __init__(self, size):
        self.blah = np.random.uniform(0, 1, size=size)

    def do_chunk(self, k, xi, yi):
        # do the work and return an array of the same shape as xi, yi
        zi = k*np.ones_like(xi)
        return zi

    def do_all_work(self, xi, yi, num_proc):
        global _mproc_data
        mp_key = str(id(self))
        _mproc_data['bd'+mp_key] = self # BigData
        _mproc_data['xi'+mp_key] = xi
        _mproc_data['yi'+mp_key] = yi
        pool = Pool(processes=num_proc)
        # processes have now inherited the global variabele; clean up in the parent process
        for v in ['bd', 'xi', 'yi']:
            del _mproc_data[v+mp_key]

        # setup indices for the worker processes (placeholder)
        n_chunks = 45
        n = len(xi)
        chunk_len = n//n_chunks
        i1list = np.arange(0,n,chunk_len)
        i2list = i1list + chunk_len
        i2list[-1] = n
        klist = range(n_chunks) # placeholder

        procs = []
        for i in range(n_chunks):
            p = pool.apply_async( _do_chunk_wrapper, (mp_key, i1list[i], i2list[i], klist[i]) )
            sys.stderr.write(".")
            procs.append(p)
        sys.stderr.write("\n")

        # allocate space for combined results
        zi = np.zeros_like(xi)

        # get data from workers and finish  
        for i, p in enumerate(procs):
            zi[i1list[i]:i2list[i]] = p.get(timeout=30) # timeout allows ctrl-C handling

        pool.close()
        pool.join()

        return zi

def _do_chunk_wrapper(key, i1, i2, k):
    """All arguments are small objects."""
    global _mproc_data
    bd = _mproc_data['bd'+key]
    xi = _mproc_data['xi'+key][i1:i2]
    yi = _mproc_data['yi'+key][i1:i2]
    return bd.do_chunk(k, xi, yi)


if __name__ == "__main__":
    xi, yi = np.linspace(1, 100, 100001), np.linspace(1, 100, 100001)
    bd = BigData(int(1e7))
    bd.do_all_work(xi, yi, 4)

以下是速度测试的结果（同样，2个内核，4个线程），改变了工作进程的数量和块中的内存量（ xi ， yi ， zi数组切片的总字节数）。 这些数字是“每秒百万结果值”，但这对比较并不重要。 “1 process”的行是带有完整输入数据的do_chunk的直接调用，没有任何子进程。

#Proc   125K    250K    500K   1000K   unlimited
1                                      0.82 
2       4.28    1.96    1.3     1.31 
3       2.69    1.06    1.06    1.07 
4       2.17    1.27    1.23    1.28 

数据大小对内存的影响非常大。 CPU具有3 MB共享L3缓存，每个核心具有256 KB L2缓存。 请注意，计算还需要访问BigData对象的几MB内部数据。 因此，我们从中学到的是进行这种速度测试很有用。 对于这个程序，2个进程最快，其次是4个，3个是最慢的。

Answer 1

尝试减少进程间通信。 在multiprocessing模块中，通过队列完成所有（单机）进程间通信。 通过队列传递的对象被腌制。 因此，尝试通过队列发送更少和/或更小的对象。

• 不要通过队列发送self ， BigData的实例。 它相当大，随着self数据量的增加而变大：

   In [6]: import pickle In [14]: len(pickle.dumps(BigData(50))) Out[14]: 1052187 

  每次pool.apply_async( _do_chunk_wrapper, (self, k, xi, yi)) ， self都会在主进程中进行pickle并在worker进程中进行unpickled。 len(pickle.dumps(BigData(N)))增加了N

• 让数据从全局变量中读取。 在Linux上，您可以利用Copy-on-Write。 正如Jan-Philip Gehrcke所说 ：

  在fork（）之后，父级和子级处于等效状态。 将父级的整个内存复制到RAM中的另一个位置是愚蠢的。 那就是[其中]写入时复制原则[来自]。只要孩子不改变其内存状态，它实际上访问父母的内存。 只有在修改时，相应的位和片才被复制到子节点的存储空间中。

  因此，您可以通过简单地将实例定义为全局， bd = BigData(n) （正如您已经在做）并在工作进程中引用其值（例如_do_chunk_wrapper ）来避免通过Queue传递BigData实例。 它基本上等于从对pool.apply_async的调用中删除self ：

   p = pool.apply_async(_do_chunk_wrapper, (k_start, k_end, xi, yi)) 

  并将bd作为全局访问，并对do_chunk_wrapper的调用签名进行必要的附加更改。

• 尝试将运行时间较长的函数func传递给pool.apply_async 。 如果你有很多快速完成对pool.apply_async调用，那么传递参数和通过队列返回值的开销将成为整个时间的重要部分。 相反，如果你对pool.apply_async进行较少的调用，并在返回结果之前给每个func做更多工作，那么进程间通信将占总时间的一小部分。

  下面，我修改了_do_chunk_wrapper以接受k_start和k_end参数，这样每次调用pool.apply_async都会在返回结果之前计算k许多值的总和。

---

import math
import numpy as np
import time
import sys
import multiprocessing as mp
import scipy.interpolate as interpolate

_tm=0
def stopwatch(msg=''):
    tm = time.time()
    global _tm
    if _tm==0: _tm = tm; return
    print("%s: %.2f seconds" % (msg, tm-_tm))
    _tm = tm

class BigData:
    def __init__(self, n):
        z = np.random.uniform(size=n*n*n).reshape((n,n,n))
        self.ff = []
        for i in range(n):
            f = interpolate.RectBivariateSpline(
                np.arange(n), np.arange(n), z[i], kx=1, ky=1)
            self.ff.append(f)
        self.n = n

    def do_chunk(self, k, xi, yi):
        n = self.n
        s = np.sum(np.exp(self.ff[k].ev(xi, yi)))
        sys.stderr.write(".")
        return s

    def do_chunk_of_chunks(self, k_start, k_end, xi, yi):
        s = sum(np.sum(np.exp(self.ff[k].ev(xi, yi)))
                    for k in range(k_start, k_end))
        sys.stderr.write(".")
        return s

    def do_multi(self, numproc, xi, yi):
        procs = []
        pool = mp.Pool(numproc)
        stopwatch('\nPool setup')
        ks = list(map(int, np.linspace(0, self.n, numproc+1)))
        for i in range(len(ks)-1):
            k_start, k_end = ks[i:i+2]
            p = pool.apply_async(_do_chunk_wrapper, (k_start, k_end, xi, yi))
            procs.append(p)
        stopwatch('Jobs queued (%d processes)' % numproc)
        total = 0.0
        for k, p in enumerate(procs):
            total += np.sum(p.get(timeout=30)) # timeout allows ctrl-C interrupt
            if k == 0: stopwatch("\nFirst get() done")
        print(total)
        stopwatch('Jobs done')
        pool.close()
        pool.join()
        return total

    def do_single(self, xi, yi):
        total = 0.0
        for k in range(self.n):
            total += self.do_chunk(k, xi, yi)
        stopwatch('\nAll in single process')
        return total

def _do_chunk_wrapper(k_start, k_end, xi, yi): 
    return bd.do_chunk_of_chunks(k_start, k_end, xi, yi)        

if __name__ == "__main__":
    stopwatch()
    n = 50
    bd = BigData(n)
    m = 1000*1000
    xi, yi = np.random.uniform(0, n, size=m*2).reshape((2,m))
    stopwatch('Initialized')
    bd.do_multi(2, xi, yi)
    bd.do_multi(3, xi, yi)
    bd.do_single(xi, yi)

产量

Initialized: 0.15 seconds

Pool setup: 0.06 seconds
Jobs queued (2 processes): 0.00 seconds

First get() done: 6.56 seconds
83963796.0404
Jobs done: 0.55 seconds
..
Pool setup: 0.08 seconds
Jobs queued (3 processes): 0.00 seconds

First get() done: 5.19 seconds
83963796.0404
Jobs done: 1.57 seconds
...
All in single process: 12.13 seconds

与原始代码相比：

Initialized: 0.10 seconds
Pool setup: 0.03 seconds
Jobs queued (2 processes): 0.00 seconds

First get() done: 10.47 seconds
Jobs done: 0.00 seconds
..................................................
Pool setup: 0.12 seconds
Jobs queued (3 processes): 0.00 seconds

First get() done: 9.21 seconds
Jobs done: 0.00 seconds
..................................................
All in single process: 12.12 seconds