Объединение itertools и многопроцессорности?

У меня есть массив 256x256x256 Numpy, в котором каждый элемент является матрицей. Мне нужно сделать некоторые вычисления на каждой из этих матриц, и я хочу использовать модуль multiprocessing, чтобы ускорить процесс.

Результаты этих вычислений должны храниться в массиве 256x256x256, таком как исходный, так что результат матрицы в элементе [i,j,k] в исходном массиве должен быть помещен в элемент [i,j,k] нового массив.

Чтобы сделать это, я хочу составить список, который может быть написан псевдо-иш образом как [array[i,j,k], (i, j, k)] и передать его функции, которая будет "многопроцессорной". Предполагая, что matrices - список всех матриц, извлеченных из исходного массива, и myfunc - это функция, выполняющая вычисления, код выглядит примерно так:

import multiprocessing
import numpy as np
from itertools import izip

def myfunc(finput):
    # Do some calculations...
    ...

    # ... and return the result and the index:
    return (result, finput[1])

# Make indices:
inds = np.rollaxis(np.indices((256, 256, 256)), 0, 4).reshape(-1, 3)

# Make function input from the matrices and the indices:
finput = izip(matrices, inds)

pool = multiprocessing.Pool()
async_results = np.asarray(pool.map_async(myfunc, finput).get(999999))

Однако, похоже, что map_async на самом деле создает этот огромный finput -list: мой CPU мало что делает, но память и своп полностью поглощаются за считанные секунды, что явно не так Я хочу.

Есть ли способ передать этот огромный список функции многопроцессорности без необходимости явно создавать ее? Или вы знаете другой способ решения этой проблемы?

Спасибо!: -)

ОТВЕТЫ

Ответ 1

Все методы multiprocessing.Pool.map* потребляют итераторы полностью (демонстрационный код), как только вызывается функция. Чтобы подавать функции функции карты итератора на один кусок за раз, используйте grouper_nofill:

def grouper_nofill(n, iterable):
    '''list(grouper_nofill(3, 'ABCDEFG')) --> [['A', 'B', 'C'], ['D', 'E', 'F'], ['G']]
    '''
    it=iter(iterable)
    def take():
        while 1: yield list(itertools.islice(it,n))
    return iter(take().next,[])

chunksize=256
async_results=[]
for finput in grouper_nofill(chunksize,itertools.izip(matrices, inds)):
    async_results.extend(pool.map_async(myfunc, finput).get())
async_results=np.array(async_results)

PS. pool.map_async chunksize параметр делает что-то другое: он разбивает итерабельность на куски, а затем дает каждому фрагменту рабочий процесс, который вызывает map(func,chunk). Это может привести к тому, что рабочий процесс получит больше данных, если func(item) закончится слишком быстро, но это не поможет в вашей ситуации, так как итератор все еще полностью поглощается сразу после вызова map_async.

Ответ 2

Я столкнулся с этой проблемой. вместо этого:

res = p.map(func, combinations(arr, select_n))

do

res = p.imap(func, combinations(arr, select_n))

imap не потребляет его!

Ответ 3

Pool.map_async() необходимо знать длину итерации для отправки работы нескольким работникам. Поскольку izip не имеет __len__, он сначала преобразует итерабельность в список, вызывая огромное использование памяти, которое вы испытываете.

Вы можете попытаться обойти это, создав свой собственный тестер izip с __len__.