numpy 与多处理和 mmap

Question

我正在使用 Python 的 multiprocessing 模块来并行处理大型 numpy 数组。这些数组在主进程中使用numpy.load(mmap_mode='r') 进行内存映射。之后，multiprocessing.Pool() 分叉了这个进程（我猜）。

一切似乎都运行良好，除了我得到如下行：

AttributeError("'NoneType' object has no attribute 'tell'",)
  in `<bound method memmap.__del__ of
       memmap([ 0.57735026,  0.57735026,  0.57735026,  0.        ,  0.        ,        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,        0.        ,  0.        ], dtype=float32)>`
     ignored

在单元测试日志中。尽管如此，测试还是通过了。

知道那里发生了什么吗？

使用 Python 2.7.2、OS X、NumPy 1.6.1。

---

更新：

经过一些调试，我找到了一个代码路径的原因，该路径使用这个内存映射的 numpy 数组的（一小部分）作为Pool.imap 调用的输入。

显然，“问题”在于multiprocessing.Pool.imap 将其输入传递给新进程的方式：它使用pickle。这不适用于mmaped numpy 数组，并且内部中断会导致错误。

我发现 Robert Kern 的 this reply 似乎解决了同样的问题。他建议为imap 输入来自内存映射数组时创建一个特殊的代码路径：在生成的进程中手动内存映射相同的数组。

这将是如此复杂和丑陋，以至于我宁愿忍受错误和额外的内存副本。有没有其他方法可以更轻松地修改现有代码？

Answer 1

我通常的方法（如果你可以忍受额外的内存副本）是在一个进程中完成所有 IO，然后将事情发送到工作线程池。要将一个 memmapped 数组的切片加载到内存中，只需执行 x = np.array(data[yourslice])（data[yourslice].copy() 实际上并没有这样做，这可能会导致一些混乱。）。

首先，让我们生成一些测试数据：

import numpy as np
np.random.random(10000).tofile('data.dat')

您可以通过以下方式重现您的错误：

import numpy as np
import multiprocessing

def main():
    data = np.memmap('data.dat', dtype=np.float, mode='r')
    pool = multiprocessing.Pool()
    results = pool.imap(calculation, chunks(data))
    results = np.fromiter(results, dtype=np.float)

def chunks(data, chunksize=100):
    """Overly-simple chunker..."""
    intervals = range(0, data.size, chunksize) + [None]
    for start, stop in zip(intervals[:-1], intervals[1:]):
        yield data[start:stop]

def calculation(chunk):
    """Dummy calculation."""
    return chunk.mean() - chunk.std()

if __name__ == '__main__':
    main()

如果你只是切换到产生np.array(data[start:stop])，你会解决这个问题：

import numpy as np
import multiprocessing

def main():
    data = np.memmap('data.dat', dtype=np.float, mode='r')
    pool = multiprocessing.Pool()
    results = pool.imap(calculation, chunks(data))
    results = np.fromiter(results, dtype=np.float)

def chunks(data, chunksize=100):
    """Overly-simple chunker..."""
    intervals = range(0, data.size, chunksize) + [None]
    for start, stop in zip(intervals[:-1], intervals[1:]):
        yield np.array(data[start:stop])

def calculation(chunk):
    """Dummy calculation."""
    return chunk.mean() - chunk.std()

if __name__ == '__main__':
    main()

当然，这确实会为每个块创建一个额外的内存副本。

从长远来看，您可能会发现从内存映射文件切换到 HDF 之类的文件会更容易。如果您的数据是多维的，则尤其如此。 （我会推荐h5py，但如果您的数据是“类似表格的”，pyTables 会很好。）

祝你好运，无论如何！