Question

我需要迭代一个巨大的numpy数组来构建三个列表，这取决于一个昂贵的C库调用的结果，它接受标量值并且不能被矢量化（或者至少我不知道如何去做）。这个循环可能需要几个小时到几天，我可以看到性能会随着时间的推移而降低（我记录进度，我可以看到最后的速度慢得多）可能是由于列表的大小不断增加（??）。

代码看起来像这样（我省略了与打印进度和一些微优化相关的代码）：

import numpy as np
import swig_c_lib


def build_indexes(large_numpy_array_1, large_numpy_array_2):
    xs = []
    ys = []
    idxs = []

    for (x, y), value in np.ndenumerate(large_numpy_array_1):

        if not (value <= -1.0e+10):
            try:
                index = swig_c_lib.slow_computation(np.asscalar(large_numpy_array_2[x, y]), np.asscalar(large_numpy_array_1[x, y]))
            except swig_lib.InternalError:
                pass
            else:
                xs.append(x)
                ys.append(y)
                idxs.append(index)
    return np.asarray(xs), np.asarray(ys), np.asarray(idxs)

可能一种解决方案可能是将大输入numpy数组拆分为4个子数组并使用多处理（但我不知道如何合并结果）。谁可以在这里帮忙？

Answer 1

这是dask模块可以提供帮助的问题

让我们首先创建两个数组a1和a2。它们可以具有任意形状，但是对于此示例，我们将n n，n=30。我们将阵列展平并将它们堆叠在一起，形成一个大的形状阵列（2,900）。 axis=1维度上的每一对都是a1和a2上同一位置的一对项目：

In[1]:
import numpy as np
n = 30
a1 = np.random.rand(n, n)
a2 = np.random.rand(n, n)
a = np.stack((a1.flat, a2.flat))
a.shape

Out[1]:
(2, 900)

然后我们继续以块的形式拆分数组。我们选择了250个块：

In[2]:
chunks = np.array_split(a, 250, axis=1)
len(chunks)

Out[2]:
250


In[3]:
chunks[0]

Out[3]:
array([[ 0.54631022,  0.8428954 ,  0.11835531,  0.59720379],
   [ 0.51184696,  0.64365038,  0.74471553,  0.67035977]])

我们现在将定义一个slow_function，它将扮演问题中描述的缓慢计算的角色。我们还定义了一种使用numpy在其中一个块上应用慢速函数的方法。

In[4]:
def slow_function(pair):
    return np.asscalar(pair[0]) + np.asscalar(pair[1])

def apply_on_chunk(chunk):
    return np.apply_along_axis(slow_function, 0, chunk)

apply_on_chunk(chunks[0])

Out[4]:
array([ 1.05815717,  1.48654578,  0.86307085,  1.26756356])

在上文中，请注意apply_on_chunk无论块中axis=1的大小如何都有效。换句话说，我们也可以继续调用apply_on_chunk(a)来计算整个初始数组的结果。

与`dask.bag`

并行化

我们现在展示如何使用map对象的dask.bag方法沿着块并行化计算：

In[5]:
import dask.bag as db
mybag = db.from_sequence(chunks)

In[6]:
%time myresult = mybag.map(apply_on_chunk)

Out[6]:
CPU times: user 4 ms, sys: 0 ns, total: 4 ms
Wall time: 1.62 ms

此时我们还没有计算任何东西。我们已经向dask描述了我们希望如何计算结果。此步骤相对较快地发生，大约1.6 ms

要继续并触发实际计算，我们在compute上调用myresult方法：

In[7]:
%time myresult = myresult.compute()


Out[7]:
CPU times: user 256 ms, sys: 24 ms, total: 280 ms
Wall time: 362 ms

以上需要花费1/3秒才能运行。我们获得的是一个数组列表，对应于apply_on_chunk中每个元素调用的dask.bag的结果。我们检查了前五个：

In[8]:
myresult[:5]

Out[8]:
[array([ 1.05815717,  1.48654578,  0.86307085,  1.26756356]),
 array([ 1.48913909,  1.25028145,  1.36707112,  1.04826167]),
 array([ 0.90069768,  1.24921559,  1.23146726,  0.84963409]),
 array([ 0.72292347,  0.87069598,  1.35893143,  1.02451637]),
 array([ 1.16422966,  1.35559156,  0.9071381 ,  1.17786002])]

如果我们真的想要最终形式的结果，我们必须调用np.concatenate来汇总所有块的结果。我们在下面这样做，并显示计算的性能：

In[9]:
%time myresult = np.concatenate(\
    db.from_sequence(\
        np.array_split(np.stack((a1.flat, a2.flat)), 250, axis=1)\
    ).map(apply_on_chunk).compute())

Out[9]:
CPU times: user 232 ms, sys: 40 ms, total: 272 ms
Wall time: 342 ms

完整的计算，它给我们一个单独的数组，结果需要多于1/3秒才能运行。

如果我们继续直接在整个阵列上进行计算，而不使用任何并行化，该怎么办？

In[10]:
%time myresult_ = np.apply_along_axis(slow_function, 0, np.stack((a1.flat, a2.flat)))

Out[10]:
CPU times: user 12 ms, sys: 0 ns, total: 12 ms
Wall time: 12.9 ms

直接计算很多更快。但原因是slow_function目前并不那么慢。它只是两个元素的总和，它们不需要花费太多时间。我们在dask.bag计算中看到的迟缓是并行化产生的开销。

让我们继续尝试，但这一次使用真正慢的功能，每次通话大约需要20毫秒：

In[11]:
n = 30
a1 = np.random.rand(n, n)
a2 = np.random.rand(n, n)

import time

def slow_function(pair):
    time.sleep(0.02)
    return np.asscalar(pair[0]) + np.asscalar(pair[1])

def apply_on_chunk(chunk):
    return np.apply_along_axis(slow_function, 0, chunk)

让我们比较一下dask能做什么，而不是直接在整个阵列上运行计算：

In[12]:
%time myresult = np.concatenate(\
    db.from_sequence(\
        np.array_split(np.stack((a1.flat, a2.flat)), 250, axis=1)\
    ).map(apply_on_chunk).compute())

Out[12]:
CPU times: user 236 ms, sys: 20 ms, total: 256 ms
Wall time: 4.75 s


In[13]:
%time myresult_ = np.apply_along_axis(slow_function, 0, np.stack((a1.flat, a2.flat)))


Out[13]:
CPU times: user 72 ms, sys: 16 ms, total: 88 ms
Wall time: 18.2 s

可以看出，dask正在利用多处理来加速计算。我们加速了4倍。

为了完整起见，我们显示dask的结果和直接计算相互一致：

In[14]:
np.testing.assert_array_equal(myresult, myresult_)
print("success")

Out[14]:
success

请注意，问题中的函数会返回一个元组

np.asarray(xs), np.asarray(ys), np.asarray(idxs)

我们所描述的只涉及np.asarray(idxs)的计算。如果知道原始a1和a2的形状，则可以很容易地获得返回元组中的前两项。

在numpy块上并行运行一个沉重的循环

1 个答案:

与`dask.bag`

在numpy块上并行运行一个沉重的循环

1 个答案:

与dask.bag

与`dask.bag`