Python中的多处理：有没有一种方法可以使用pool.imap而不累积内存？

Question

我正在使用Python中的multiprocessing模块，同时将keras对象和Pool(processes = 4)与imap一起训练神经网络。在每个“周期”（即每4个进程）之后，它会稳定地使用越来越多的内存，直到最终崩溃。

我使用了memory_profiler模块来跟踪我的内存使用情况，并训练了12个网络。这是使用香草imap：

如果我将maxtasksperchild = 1放在Pool中：

如果我使用imap(chunksize = 3)：

在后一种情况下，一切正常，我只是向池中的每个进程发送一个批处理，因此似乎问题在于这些进程携带有关先前批处理的信息。如果是这样，我可以强迫游泳池不这样做吗？

即使块解决方案似乎可以工作，我还是不想使用它，因为

• 我想使用tqdm模块跟踪进度，在大块的情况下，它只会在每个大块之后更新，这实际上意味着它不会真正跟踪任何东西，因为所有大块都完成了同时（在此示例中）
• 当前所有网络的培训时间完全相同，但是我想让它们具有单独的培训时间的可能性，然后块解决方案可能会导致一个过程获得所有长的培训时间。

这是香草盒中的代码段。在其他两种情况下，我只是更改了maxtasksperchild中的Pool参数和chunksize中的imap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模块带来了巨大的开销。数据通常在流程之间不共享，需要复制。从python 3.8开始，这将发生变化。

  

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

尽管python 3.8的正式发布时间为2019年10月21日，但您已经可以在github上下载它了

Answer 2

我想出了一个可行的解决方案。我抛弃了游泳池，制作了自己的简单排队系统。除了不增加（虽然确实增加了一点，但我认为这是我将一些字典存储为日志）之外，它甚至比上面的块解决方案消耗的更少内存：

我不知道为什么会这样。也许Pool对象只是占用大量内存？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()