我编写了一个程序,它接收大数据集作为输入(~150mb文本文件),对它们进行一些数学运算,然后在直方图中报告结果。必须执行的计算的数量与数据集中两个点的组合的数量成比例,对于100万个点的数据集,这是非常大的(~50亿)。
我希望通过使用Python的multiprocessing
模块将部分直方图数据的计算分配给各个进程,同时将最终直方图的数组保存在共享内存中,以便每个进程都可以添加,从而减少一些计算时间它。
我使用multiprocessing
创建了这个程序的工作版本,通常基于this answer中描述的过程,但我发现它实际上比我之前编写的非并行化版本略慢。我尝试取消同步对共享阵列的访问,发现这会显着加快速度,但会导致部分数据丢失。
以下是代码的概要:
import numpy as np
from multiprocessing import Pool, Array
BINS = 200
DMAX = 3.5
DMIN = 0
def init(histo):
global histo_shared
histo_shared = histo
def to_np_array(mp_array):
return np.frombuffer(mp_array.get_obj())
# synchronize access to shared array
def calc_sync(i):
with histo_shared.get_lock():
calc_histo(i)
def calc_histo(i):
# create new array 'd_new' by doing some math on DATA using argument i
histo = to_np_array(histo_shared)
histo += np.histogram(d_new, bins=BINS,
range=(DMIN, DMAX))[0].astype(np.int32)
def main():
# read in data and calculate no. of iterations
global DATA
DATA = np.loadtxt("data.txt")
it = len(DATA) // 2
# create shared array
histo_shared = Array('l', BINS)
# write to shared array from different processes
p = Pool(initializer=init, initargs=(histo_shared,))
for i in range(1, it + 1):
p.apply_async(calc_sync, [i])
p.close()
p.join()
histo_final = to_np_array(histo_shared)
np.savetxt("histo.txt", histo_final)
if __name__ == '__main__':
main()
我在这里遗失的东西会对我的表现产生严重影响吗?有什么方法可以解决这个问题,以加快速度吗?
非常感谢任何见解或建议!
答案 0 :(得分:2)
您基本上会锁定您可能遇到的任何并行性,因为您在整个处理过程中都会锁定数据。
何时使用此方法
def calc_sync(i):
with histo_shared.get_lock():
calc_histo(i)
正在执行,您在处理直方图时锁定了整个共享数据集。另请注意
def calc_histo(i):
# create new array 'd_new' by doing some math on DATA using argument i
histo = to_np_array(histo_shared)
histo += np.histogram(d_new, bins=BINS,
range=(DMIN, DMAX))[0].astype(np.int32)
对i没有做任何事情,所以看起来你只是重新处理相同的数据。什么是d_new?我在你的商家信息中没有看到它。
理想情况下,您应该做的是获取大型数据集,将其切片到一定数量的块并单独处理,然后组合结果。仅锁定共享数据,而不是处理步骤。这可能看起来像这样:
def calc_histo(slice):
# process the slice asyncronously
return np.histogram(slice, bins=BINS,
range=(DMIN, DMAX))[0].astype(np.int32)
def calc_sync(start,stop):
histo = None
# grab a chunk of data, you likely don't need to lock this
histo = raw_data[start:stop]
# acutal calculation is async
result = calc_histo(histo)
with histo_shared.get_lock():
histo_shared += result
对于成对数据:
def calc_sync(part1,part2):
histo = None
output = [] # or numpy array
# acutal calculation is async
for i in range(part1):
for j in range(part2):
# do whatever computation you need and add it to output
result = calc_histo(output)
with histo_shared.get_lock():
histo_shared += result
现在
p = Pool(initializer=init, initargs=(histo_shared,))
for i in range(1, it + 1,slice_size):
for j in range(1, it + 1,slice_size):
p.apply_async(calc_sync, [histo_shared[j:j+slice_size], histo_shared[i:i+slice_size])
用文字表示,我们采用成对的数据切割,生成相关数据,然后将它们放入直方图中。您需要的唯一真正的同步是在直方图中组合数据时