Python共享读取内存

Question

我正在使用大约8GB的数据集，并且还在使用scikit-learn在其上训练各种ML模型。 数据集基本上是一维int向量的列表。

如何使数据集可用于多个python进程或如何对数据集进行编码，以便可以使用multiprocessing的类？ 我一直在阅读ctypes ，也一直在阅读multiprocessing的文档，但是我很困惑。 我只需要使数据对每个过程都可读，就可以使用它来训练模型。

我是否需要将共享的multiprocessing变量作为ctypes？

如何将数据集表示为ctypes ？

Answer 1

我假设您可以将整个数据集以numpy数组的形式加载到RAM中，并且您正在Linux或Mac上工作。 （如果您使用的是Windows，或者无法将阵列放入RAM中，则应该将阵列复制到磁盘上的文件中，并使用numpy.memmap进行访问。您的计算机也会将磁盘中的数据缓存到RAM中尽可能，并且这些缓存将在进程之间共享，所以这不是一个糟糕的解决方案。）

在上述假设下，如果您需要对通过multiprocessing创建的其他进程中的数据集进行只读访问，则只需创建数据集，然后启动其他进程即可。 他们将具有对原始名称空间中数据的只读访问权限。 它们可以更改原始名称空间中的数据，但是其他进程将看不到这些更改（内存管理器会将其更改的每个内存段都复制到本地内存映射中）。

如果您的其他流程需要更改原始数据集，并使这些更改对父流程或其他流程可见，则可以使用以下方法：

import multiprocessing
import numpy as np

# create your big dataset
big_data = np.zeros((3, 3))

# create a shared-memory wrapper for big_data's underlying data
# (it doesn't matter what datatype we use, and 'c' is easiest)
# I think if lock=True, you get a serialized object, which you don't want.
# Note: you will need to setup your own method to synchronize access to big_data.
buf = multiprocessing.Array('c', big_data.data, lock=False)

# at this point, buf and big_data.data point to the same block of memory, 
# (try looking at id(buf[0]) and id(big_data.data[0])) but for some reason
# changes aren't propagated between them unless you do the following:
big_data.data = buf

# now you can update big_data from any process:
def add_one_direct():
    big_data[:] = big_data + 1

def add_one(a):
    # People say this won't work, since Process() will pickle the argument.
    # But in my experience Process() seems to pass the argument via shared
    # memory, so it works OK.
    a[:] = a+1

print "starting value:"
print big_data

p = multiprocessing.Process(target=add_one_direct)
p.start()
p.join()

print "after add_one_direct():"
print big_data

p = multiprocessing.Process(target=add_one, args=(big_data,))
p.start()
p.join()

print "after add_one():"
print big_data

Answer 2

可能是多处理进程之间共享大型只读的Numpy数组的副本

您可以将数据集从当前表示形式转换为新的numpy memmap对象，并在每个过程中使用它。 但是无论如何它不会很快，它只是提供了一些与ram一起使用数组的方法，实际上，它将是来自HDD的文件，部分缓存在RAM中。 因此，您应该更喜欢使用带有part_fit方法的scikit学习算法，并使用它们。

https://docs.scipy.org/doc/numpy/reference/generated/numpy.memmap.html

实际上，joblib（在scikit-learn中用于并行化）会自动将您的数据集转换为memmap表示形式，以便在不同进程中使用它（当然，如果足够大的话）。