Python 中的多处理：有没有办法在不累积内存的情况下使用 pool.imap？

Question

我在 Python 中使用multiprocessing模块来并行训练带有keras神经网络，使用Pool(processes = 4)对象和imap 。 这在每个“循环”后稳定地使用越来越多的内存，即每 4 个进程，直到它最终崩溃。

我使用memory_profiler模块随着时间的推移跟踪我的内存使用情况，训练了 12 个网络。 这是使用香草imap ：

如果我将maxtasksperchild = 1放入Pool ：

如果我使用imap(chunksize = 3) ：

在后一种情况下，一切正常，我只向池中的每个进程发送一个批次，因此问题似乎是这些进程携带有关先前批次的信息。 如果是这样，我可以强制池不这样做吗？

即使块解决方案似乎有效，我也不想使用它，因为

• 我想使用tqdm模块跟踪进度，在块的情况下，它只会在每个块之后更新，这实际上意味着它根本不会真正跟踪任何东西，因为所有块同时完成（在此例子）
• 目前，所有网络都需要完全相同的时间来训练，但我想让它们有单独的训练时间的可能性，其中块解决方案可能会导致一个过程获得所有长时间的训练时间。

这是香草案例中的代码片段。 在其他两种情况下，我只是更改了Pool的maxtasksperchild参数和imap的chunksize参数：

def train_network(network):
    (...)
    return score

pool = Pool(processes = 4)
scores = pool.imap(train_network, networks)
scores = tqdm(scores, total = networks.size)

for (network, score) in zip(networks, scores):
    network.score = score

pool.close()
pool.join()

Answer 1

不幸的是，python 中的multiprocessing模块需要付出很大的代价。 数据大多不在进程之间共享，需要复制。 这将从 python 3.8 开始改变。

https://docs.python.org/3.8/library/multiprocessing.shared_memory.html

虽然，python 3.8 的正式发布时间是 2019 年 10 月 21 日，但你已经可以在github上下载了

Answer 2

我想出了一个似乎有效的解决方案。 我放弃了游泳池并制作了自己的简单排队系统。 除了不增加（虽然它确实增加了一点点，但我认为这是我将一些字典存储为日志），它甚至比上面的块解决方案消耗更少的内存：

我不知道为什么会这样。 也许Pool对象只是占用了大量内存？ 无论如何，这是我的代码：

def train_network(network):
    (...)
    return score

# Define queues to organise the parallelising
todo = mp.Queue(size = networks.size + 4)
done = mp.Queue(size = networks.size)

# Populate the todo queue
for idx in range(networks.size):
    todo.put(idx)

# Add -1's which will be an effective way of checking
# if all todo's are finished
for _ in range(4):
    todo.put(-1)

def worker(todo, done):
    ''' Network scoring worker. '''
    from queue import Empty
    while True:
        try:
            # Fetch the next todo
            idx = todo.get(timeout = 1)
        except Empty:
            # The queue is never empty, so the silly worker has to go
            # back and try again
            continue

        # If we have reached a -1 then stop
        if idx == -1:
            break
        else:
            # Score the network and store it in the done queue
            score = train_network(networks[idx])
            done.put((idx, score))

# Construct our four processes
processes = [mp.Process(target = worker,
    args = (todo, done)) for _ in range(4)]

# Daemonise the processes, which closes them when
# they finish, and start them
for p in processes:
    p.daemon = True
    p.start()

# Set up the iterable with all the scores, and set
# up a progress bar
idx_scores = (done.get() for _ in networks)
pbar = tqdm(idx_scores, total = networks.size)

# Compute all the scores in parallel
for (idx, score) in pbar:
    networks[idx].score = score

# Join up the processes and close the progress bar
for p in processes:
    p.join()
pbar.close()