具有大对象的 Python 多处理 : prevent copying/serialization of object

Question

我已经为一些较大对象的问题实现了多处理，如下所示:

import time
import pathos.multiprocessing as mp
from functools import partial
from random import randrange


class RandomNumber():
    def __init__(self, object_size=100):
        self.size = bytearray(object_size*10**6)  # 100 MB size
        self.foo = None

    def do_something(self, *args, **kwargs):
        self.foo = randrange(1, 10)
        time.sleep(0.5)  # wait for 0.5 seconds
        return self


def wrapper(random_number, *args, **kwargs):
    return random_number.do_something(*args, **kwargs)


if __name__ == '__main__':
    # create data
    numbers = [RandomNumber() for m in range(0, 9)]
    kwds = {'add': randrange(1, 10)}

    # calculate
    pool = mp.Pool(processes=mp.cpu_count())
    result = pool.map_async(partial(wrapper, **kwds), numbers)
    try:
        result = result.get()
    except:
        pass

    # print result
    my_results = [i.foo for i in result]
    print(my_results)

    pool.close()
    pool.join()

产生类似的东西:

[8, 7, 8, 3, 1, 2, 6, 4, 8]

现在的问题是，与在对象非常小的情况下使用列表理解相比，我在性能上有了巨大的改进，而这种改进在对象尺寸较大时变得相反，例如100 MB 或更大。

来自documentation和其他问题我发现这是由于使用 pickle/dill 序列化单个对象以便将它们传递给池中的工作人员引起的。换句话说:对象被复制，这个 IO 操作成为瓶颈，因为它比实际计算更耗时。

我已经尝试使用 multiprocessing.Manager 处理同一个对象但这导致了更高的运行时间。

问题是我被绑定(bind)到我无法更改的特定类结构(此处通过 RandomNumber() 表示)..

现在我的问题是:是否有任何方法或概念可以规避此行为并且只在 do_something() 上调用我而无需序列化或复制的开销？

欢迎任何提示。提前致谢!

Answer 1

您需要使用批处理。不要为每个数字创建 destroy worker。根据cpu_count 制作有限的 worker 。然后将一个列表传递给每个工作人员并处理它们。使用map 并传递一个包含数字批处理 的列表。