结合 itertools 和多处理？

Question

我有一个256x256x256 Numpy 数组，其中每个元素都是一个矩阵。我需要对这些矩阵中的每一个进行一些计算，并且我想使用multiprocessing 模块来加快速度。

这些计算的结果必须和原来的一样存储在256x256x256数组中，这样原数组中元素[i,j,k]处的矩阵的结果必须放在新数组的[i,j,k]元素中数组。

为此，我想创建一个列表，该列表可以以伪方式编写为[array[i,j,k], (i, j, k)]，并将其传递给要“多处理”的函数。 假设matrices 是从原始数组中提取的所有矩阵的列表，myfunc 是进行计算的函数，代码看起来有点像这样：

import multiprocessing
import numpy as np
from itertools import izip

def myfunc(finput):
    # Do some calculations...
    ...

    # ... and return the result and the index:
    return (result, finput[1])

# Make indices:
inds = np.rollaxis(np.indices((256, 256, 256)), 0, 4).reshape(-1, 3)

# Make function input from the matrices and the indices:
finput = izip(matrices, inds)

pool = multiprocessing.Pool()
async_results = np.asarray(pool.map_async(myfunc, finput).get(999999))

但是，map_async 似乎实际上首先创建了这个巨大的finput-list：我的 CPU 并没有做太多事情，但是内存和交换在几秒钟内就被完全消耗掉了，这显然不是什么我要。

有没有办法将这个巨大的列表传递给一个多处理函数，而无需先显式创建它？ 或者你知道解决这个问题的另一种方法吗？

非常感谢！ :-)

Answer 1

所有multiprocessing.Pool.map* 方法在调用函数后立即完全使用迭代器^{(demo code)}。要一次给迭代器的映射函数块提供一个块，请使用grouper_nofill：

def grouper_nofill(n, iterable):
    '''list(grouper_nofill(3, 'ABCDEFG')) --> [['A', 'B', 'C'], ['D', 'E', 'F'], ['G']]
    '''
    it=iter(iterable)
    def take():
        while 1: yield list(itertools.islice(it,n))
    return iter(take().next,[])

chunksize=256
async_results=[]
for finput in grouper_nofill(chunksize,itertools.izip(matrices, inds)):
    async_results.extend(pool.map_async(myfunc, finput).get())
async_results=np.array(async_results)

PS。 pool.map_async 的 chunksize 参数做了一些不同的事情：它将可迭代对象分成块，然后将每个块提供给调用 map(func,chunk) 的工作进程。如果func(item) 完成得太快，这可以为工作进程提供更多数据来咀嚼，但这对您的情况没有帮助，因为在发出map_async 调用后迭代器仍会立即被完全消耗。

Answer 2

我也遇到了这个问题。而不是这个：

res = p.map(func, combinations(arr, select_n))

做

res = p.imap(func, combinations(arr, select_n))

imap 不消耗它！

Answer 3

Pool.map_async() 需要知道迭代的长度才能将工作分派给多个工作人员。由于izip 没有__len__，它首先将iterable 转换为列表，导致您正在经历巨大的内存使用。

您可以尝试通过使用__len__ 创建自己的izip 样式迭代器来回避这个问题。