Question

我注意到使用多处理（使用joblib）时会出现很大的延迟。这是我的代码的简化版本：

import numpy as np
from joblib import Parallel, delayed

class Matcher(object):
    def match_all(self, arr1, arr2):
        args = ((elem1, elem2) for elem1 in arr1 for elem2 in arr2)

        results = Parallel(n_jobs=-1)(delayed(_parallel_match)(self, e1, e2) for e1, e2 in args)
        # ...

    def match(self, i1, i2):
        return i1 == i2

def _parallel_match(m, i1, i2):
    return m.match(i1, i2)

matcher = Matcher()
matcher.match_all(np.ones(250), np.ones(250))

因此，如果我像上面所示运行它，则需要大约30秒才能完成并使用近200Mb。如果我只是在并行中更改参数n_jobs并将其设置为1，则只需1.80秒并且几乎不使用50Mb ......

我想它必须与我传递参数的方式有关，但是没有找到更好的方法来做...

我正在使用Python 2.7.9

Answer 1

我在没有使用joblib库的情况下重新编写了代码，现在它的工作原理应该可行，但不是那么“漂亮”的代码：

import itertools
import multiprocessing
import numpy as np


class Matcher(object):
    def match_all(self, a1, a2):
        args = ((elem1, elem2) for elem1 in a1 for elem2 in a2)
        args = zip(itertools.repeat(self), args)

        pool = multiprocessing.Pool()
        results = np.fromiter(pool.map(_parallel_match, args))
        # ...

    def match(self, i1, i2):
        return i1 == i2

def _parallel_match(*args):
    return args[0][0].match(*args[0][1:][0])

matcher = Matcher() 
matcher.match_all(np.ones(250), np.ones(250))

这个版本就像一个魅力，只需0.58秒即可完成......

那么，为什么它与joblib一起工作呢？无法理解它，但我想joblib正在为每个进程制作整个数组的副本......

Python多处理（joblib）参数传递的最佳方法

1 个答案: