python - 利用 "Copy-on-Write"将数据复制到 Multiprocessing.Pool() 工作进程

Question

我有一些 multiprocessing Python 代码，看起来有点像这样:

import time
from multiprocessing import Pool
import numpy as np

class MyClass(object):
    def __init__(self):
        self.myAttribute = np.zeros(100000000) # basically a big memory struct

    def my_multithreaded_analysis(self):
        arg_lists = [(self, i) for i in range(10)]
        pool = Pool(processes=10)
        result = pool.map(call_method, arg_lists)
        print result

    def analyze(self, i):
        time.sleep(10)
        return i ** 2

def call_method(args):
    my_instance, i = args
    return my_instance.analyze(i)


if __name__ == '__main__':
    my_instance = MyClass()
    my_instance.my_multithreaded_analysis()

在阅读了其他 StackOverflow 答案中关于内存如何工作的答案后，例如这个 Python multiprocessing memory usage我的印象是，这不会根据我用于多处理的进程数来使用内存，因为它是写时复制的，而且我没有修改 my_instance 的任何属性。但是，当我运行 top 时，我确实看到了所有进程的高内存，它说我的大部分进程都在使用大量内存(这是 OSX 的最高输出，但我可以在 Linux 上复制)。

我的问题基本上是，我是否正确地解释了这一点，因为我的 MyClass 实例实际上在池中是重复的？如果是这样，我该如何防止这种情况发生？我不应该使用这样的结构吗？我的目标是减少计算分析的内存使用。

PID   COMMAND      %CPU  TIME     #TH    #WQ  #PORT MEM    PURG   CMPRS  PGRP PPID STATE
2494  Python       0.0   00:01.75 1      0    7     765M   0B     0B     2484 2484 sleeping
2493  Python       0.0   00:01.85 1      0    7     765M   0B     0B     2484 2484 sleeping
2492  Python       0.0   00:01.86 1      0    7     765M   0B     0B     2484 2484 sleeping
2491  Python       0.0   00:01.83 1      0    7     765M   0B     0B     2484 2484 sleeping
2490  Python       0.0   00:01.87 1      0    7     765M   0B     0B     2484 2484 sleeping
2489  Python       0.0   00:01.79 1      0    7     167M   0B     597M   2484 2484 sleeping
2488  Python       0.0   00:01.77 1      0    7     10M    0B     755M   2484 2484 sleeping
2487  Python       0.0   00:01.75 1      0    7     8724K  0B     756M   2484 2484 sleeping
2486  Python       0.0   00:01.78 1      0    7     9968K  0B     755M   2484 2484 sleeping
2485  Python       0.0   00:01.74 1      0    7     171M   0B     594M   2484 2484 sleeping
2484  Python       0.1   00:16.43 4      0    18    775M   0B     12K    2484 2235 sleeping

Answer 1

任何发送到 pool.map(和相关方法)的东西实际上都没有使用共享的写时复制资源。值为 "pickled" (Python's serialization mechanism) ，通过管道发送到工作进程并在那里进行 unpickled，从头开始重建子进程中的对象。因此，在这种情况下，每个 child 最终都会得到原始数据的写时复制版本(它从不使用它，因为它被告知使用通过 IPC 发送的副本)，以及对原始数据的个人重建在 child 中重建，不共享。

如果您想利用 fork 的写时复制优势，您不能通过管道发送数据(或引用数据的对象)。您必须将它们存储在可以通过访问他们自己的全局变量从 child 那里找到的位置。例如:

import os
import time
from multiprocessing import Pool
import numpy as np

class MyClass(object):
    def __init__(self):
        self.myAttribute = os.urandom(1024*1024*1024) # basically a big memory struct(~1GB size)

    def my_multithreaded_analysis(self):
        arg_lists = list(range(10))  # Don't pass self
        pool = Pool(processes=10)
        result = pool.map(call_method, arg_lists)
        print result

    def analyze(self, i):
        time.sleep(10)
        return i ** 2

def call_method(i):
    # Implicitly use global copy of my_instance, not one passed as an argument
    return my_instance.analyze(i)

# Constructed globally and unconditionally, so the instance exists
# prior to forking in commonly accessible location
my_instance = MyClass()


if __name__ == '__main__':
    my_instance.my_multithreaded_analysis()

通过不传递 self，您可以避免制作副本，而只需使用写入时复制映射到子对象的单个全局对象。如果您需要多个对象，您可以在创建池之前创建一个全局 list 或 dict 映射到对象的实例，然后传递可以在 pool.map 的参数中查找对象。 worker 函数然后使用索引/键(必须被 pickle 并通过 IPC 发送给 child )在全局字典(也是写时复制映射)中查找值(写时复制映射)，所以你复制便宜的信息来查找 child 中昂贵的数据而不复制它。

如果对象很小，即使您不写入它们，它们最终也会被复制。 CPython 是引用计数的，引用计数出现在公共(public)对象头中并不断更新，仅通过引用对象，即使它是逻辑上不可变的引用。因此，小对象(以及分配在同一内存页中的所有其他对象)将被写入，并因此被复制。对于大对象(你的亿元素 numpy 数组)，只要你不写入它，大部分就会保持共享，因为标题只占用许多页面之一

在 python 版本 3.8 中更改:在 macOS 上，spawn 启动方法现在是默认方法。参见 mulitprocessing doc . Spawn 没有利用写时复制。