python - 使用 Ray 并行化大型程序的正确方法

Question

我有一个相当大的 Python 程序(~800 行)，它具有以下结构:

• 设置说明，我在其中处理用户提供的输入文件并定义对程序执行具有全局性的变量/对象。
• Main 函数，它利用前面的设置阶段并调用程序的主要附加函数。
• 附加功能，可以是主要的，因为它们被主要功能直接调用，也可以是次要的，因为它们只被主要的附加功能调用。
• 我处理主函数结果的最后几行代码。

程序是大规模并行的，因为主函数的每次执行都独立于前一个和下一个。因此，我使用 Ray 在集群中的多个工作节点上并行执行主要功能。操作系统是 CentOS Linux release 8.2.2004 (Core)，集群执行 PBS Pro 19.2.4.20190830141245。我正在使用 Python 3.7.4、Ray 0.8.7 和 Redis 3.4.1。

我在 Python 脚本中有以下内容，其中 foo 是主要函数:

@ray.remote(memory=2.5 * 1024 * 1024 * 1024)
def foo(locInd):
    # Main function

if __name__ == '__main__':
    ray.init(address='auto', redis_password=args.pw,
             driver_object_store_memory=10 * 1024 * 1024 * 1024)
    futures = [foo.remote(i) for i in zip(*np.asarray(indArr == 0).nonzero())]
    waitingIds = list(futures)
    while len(waitingIds) > 0:
        readyIds, waitingIds = ray.wait(
            waitingIds, num_returns=min([checkpoint, len(waitingIds)]))
        for r0, r1, r2, r3, r4, r5, r6, r7 in ray.get(readyIds):
            # Process results
            indArr[r0[::-1]] = 1
            nodesComplete += 1
    ray.shutdown()

以下是我用来启动 Ray 的说明

# Head node
/path/to/ray start --head --port=6379 \
--redis-password=$redis_password \
--memory $((120 * 1024 * 1024 * 1024)) \
--object-store-memory $((20 * 1024 * 1024 * 1024)) \
--redis-max-memory $((10 * 1024 * 1024 * 1024)) \
--num-cpus 48 --num-gpus 0

# Worker nodes
/path/to/ray start --block --address=$1 \
--redis-password=$2 --memory $((120 * 1024 * 1024 * 1024)) \
--object-store-memory $((20 * 1024 * 1024 * 1024)) \
--redis-max-memory $((10 * 1024 * 1024 * 1024)) \
--num-cpus 48 --num-gpus 0

只要我处理足够小的数据集，一切都会按预期运行。然而，执行会产生以下警告

• 2020-08-17 17:16:44,289 警告 worker.py:1134 -- 警告:远程函数 __main__.foo 在 pickle 时大小为 220019409。它将存储在 Redis 中，这可能会导致内存问题。这可能意味着它的定义使用了一个大数组或其他对象。
• 2020-08-17 17:17:10,281 警告 worker.py:1134 -- 该工作人员被要求执行一个它没有注册的功能。您可能需要重新启动 Ray。

如果我尝试在更大的数据集上运行代码，我会收到以下错误:

Traceback (most recent call last):
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/connection.py", line 700, in send_packed_command
    sendall(self._sock, item)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/_compat.py", line 8, in sendall
2020-08-21 14:22:34,226 WARNING worker.py:1134 -- Warning: The remote function __main__.foo has size 898527351 when pickled. It will be stored in Redis, which could cause memory issues. This may mean that its definition uses a large array or other object.
    return sock.sendall(*args, **kwargs)
ConnectionResetError: [Errno 104] Connection reset by peer

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "./Program.py", line 1030, in <module>
    for i in zip(*np.asarray(indArr == 0).nonzero())]
  File "./Program.py", line 1030, in <listcomp>
    for i in zip(*np.asarray(indArr == 0).nonzero())]
  File "/home/157/td5646/.local/lib/python3.7/site-packages/ray/remote_function.py", line 95, in _remote_proxy
    return self._remote(args=args, kwargs=kwargs)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/ray/remote_function.py", line 176, in _remote
    worker.function_actor_manager.export(self)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/ray/function_manager.py", line 152, in export
    "max_calls": remote_function._max_calls
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/client.py", line 3023, in hmset
    return self.execute_command('HMSET', name, *items)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/client.py", line 877, in execute_command
    conn.send_command(*args)
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/connection.py", line 721, in send_command
    check_health=kwargs.get('check_health', True))
  File "/home/157/td5646/.local/lib/python3.7/site-packages/redis/connection.py", line 713, in send_packed_command
    (errno, errmsg))
redis.exceptions.ConnectionError: Error 104 while writing to socket. Connection reset by peer.

关于我如何向 Ray 描述程序，我显然做错了什么。我有 Scipy Interpolator 对象，我认为它们是全局的，但是，正如 GitHub thread 中已经指出的那样，我应该对它们调用 ray.put。问题是我遇到了这些 ValueError: buffer source array is read-only 我不知道如何诊断。另外，我不确定我是应该用 @ray.remote 还是只用 main 函数来修饰所有函数。我想我可以为所有附加函数执行 @ray.remote(num_cpus=1)，因为它实际上只应该是并行执行的主要函数，但我不知道这是否有意义.

非常感谢任何帮助，如果需要，我很乐意提供更多信息。

Answer 1

我可能已经解决了我的问题，但我不介意听取别人的意见，因为我对 Ray 的了解确实有限。另外，我想这可能会帮助遇到类似问题的其他人(希望我不是一个人!)。

正如我在问题中提到的，该程序对于足够小的数据集运行良好(尽管它似乎绕过了 Ray 逻辑的某些方面)，但它最终在大型数据集上崩溃了。仅使用 Ray 任务，我无法调用存储在 Object Store 中的 Scipy Interpolator 对象(ValueError: buffer source array is read-only)，并且装饰所有函数没有意义，因为确实存在只有应该同时执行的主要函数(同时调用其他函数)。

因此，我决定更改程序结构以使用 Ray Actors。设置说明现在是 __init__ 方法的一部分。特别是，Scipy Interpolator 对象在此方法中定义并设置为 self 的属性，就像全局变量一样。大多数函数(包括 main 函数)已成为类方法，但通过 Numba 编译的函数除外。对于后者，它们仍然是用 @jit 修饰的独立函数，但现在它们中的每一个在调用 jitted 函数的类中都有一个等效的包装器方法。

为了让我的程序并行执行我现在的主要方法，我依赖于 ActorPool。我创建了与可用 CPU 一样多的 actor，每个 actor 都执行 main 方法，成功调用方法和 Numba 编译的函数，同时还设法访问 Interpolator 对象。我只将 @ray.remote 应用于定义的 Python 类。所有这些都转化为以下结构:

@ray.remote
class FooClass(object):
    def __init__(self, initArgs):
        # Initialisation

    @staticmethod
    def exampleStaticMethod(args):
        # Processing
        return

    def exampleMethod(self, args):
        # Processing
        return

    def exampleWrapperMethod(self, args):
        return numbaCompiledFunction(args)

    def mainMethod(self, poolMapArgs):
        # Processing
        return


@jit
def numbaCompiledFunction(args):
    # Processing
    return


ray.init(address='auto', redis_password=redPass)
actors = []
for actor in range(int(ray.cluster_resources()['CPU'])):
    actors.append(FooClass.remote(initArgs))
pool = ActorPool(actors)
for unpackedTuple in pool.map_unordered(
        lambda a, v: a.mainMethod.remote(v),
        poolMapArgs):
    # Processing
ray.shutdown()

这在分布在 4 个节点上的 192 个 CPU 上成功运行，没有任何警告或错误。