我正在尝试使用Python多处理模块生成多个并行进程.基本上,我做了类似的事情
pool = Pool(30)
results = [pool.apply_async(foo,(trainData,featureVector,terms,selLabel)) for selLabel in selLabels]
for r in results:
tmp = r.get()
modelFiles[tmp[0]] = tmp[1]
产生了30个进程,但是,似乎大多数进程已进入休眠状态,而实际只有一个进程正在运行.以下是我从ps得到的：
PID %cpu %MEM VSZ RSS TTY STAT START TIME COMMAND
31267 74.6 2.4 7125412 6360080 pts/1 Sl+ 13:06 24:25 \_ python2.6 /home/PerlModules/Python/DoOVA.py
31427 27.4 2.3 6528532 6120904 pts/1 R+ 13:20 5:18 \_ python2.6 /home/PerlModules/Python/DoOVA.py
31428 0.0 1.3 4024724 3617016 pts/1 S+ 13:20 0:00 \_ python2.6 /home/PerlModules/Python/DoOVA.py
31429 0.0 1.3 4024724 3617016 pts/1 S+ 13:20 0:00 \_ python2.6 /home/PerlModules/Python/DoOVA.py
31430 0.0 1.3 4024724 3617016 pts/1 S+ 13:20 0:00 \_ python2.6 /home/PerlModules/Python/DoOVA.py
DoOVA.py是我正在运行的脚本.他们中的大多数都有一个身份S.
谁能给我一些关于问题的线索？我知道输入争论featureVector的大小非常大,比如大约300MB.那会是个问题吗？我运行的机器有几TB的内存.
foo做的事情如下：
def foo(trainData,selLabel,penalty):
outputFile = 'train_'+selLabel+'.dat'
annotation = dict()
for id in trainData:
if trainData[id] == selLabel:
annotation[id] = '1'
else:
annotation[id] = '-1'
try:
os.mkdir(selLabel)
os.chdir(selLabel)
except OSError:
os.chdir(selLabel)
###Some more functions,which involves a command line call through call from subprocess module
os.chdir('../')
return (selLabel,'SVM_' + selLabel + '.model')
所有其他输入参数的大小都很小.机器至少有100 cpus.在每次运行中,即使在创建任何目录之前,脚本也需要很长时间,尽管在os.mkdir()之前foo中没有发生重大计算.
由于对于我上面谈论的内容存在一些困惑,所以这里有一个更长的解释,说明代码中发生的内容与当前编写的内容有关：
创建Pool对象时,将立即创建30个工作进程,主进程的所有子进程都创建了Pool对象.为了与每个子进程进行通信,创建了一个管道.此管道允许父进程和子进程之间的双向通信.父级使用管道来指示子进程执行的操作,子级使用管道通知父级任何操作的结果.
当您第一次调用pool.apply_async时,父进程通过管道发送命令,指示子进程使用提供的参数执行foo函数.由于其中一个论点是巨大的,300MB,这最终需要很长时间.父进程必须pickle对象.这会将对象(及其引用的所有内容)转换为可通过管道发送的字节流.
由于管道只能容纳大约64k(Linux默认值),并且您发送的内容远不止这些,因此可以有效地同步父进程和其中一个子进程.父进程只能以子进程可以接收和取消它们的速度发送参数,并且子进程只能像父进程一样快地接收参数并发送它们.虽然这是在进行所有其他子进程必须等待.父进程一次只能向一个子进程发送命令.
一旦父进程完成了第一次调用foo的所有参数的发送,它就可以继续发送命令再次调用foo.在此之后不久,一旦子进程收到所有参数,孩子就会调用foo. (这就是为什么在创建任何目录之前需要很长时间,甚至在调用foo之前需要很长时间.)在foo返回之后,子进程将等待父进程发送另一个命令.如果foo本身需要足够短的时间来执行,那么接收第一个命令来调用foo的同一子进程也可能会收到第二个调用foo的命令.
除非foo本身需要很长时间才能执行,只要比通过管道发送featureVector所花费的时间长或长,那么你将被有效地限制为只执行一个子进程.父进程将尝试命令子进程尽可能快地调用foo,但由于featureVector太大,它只能以非常慢的速率执行.一旦完成将命令发送到一个进程来调用foo,它命令调用foo的前一个进程很久以前就已经完成了对foo的调用.运行子进程之间几乎没有重叠.
def child_initialize(_trainData,_featureVector,_terms):
global trainData,terms
trainData = _trainData
featureVector = _featureVector
terms = _terms
def foo(selLabel):
...
pool = Pool(30,initialize = child_initialize,initargs = (trainData,terms))
results = [pool.apply_async(foo,(selLabel,)) for selLabel in selLabels]
此代码还使用initargs传递trainData和term,假设它们也不会更改.
虽然这应该会带来巨大的性能提升,并允许子进程并行运行,但这并不一定意味着子进程将以更常见的状态出现在可运行状态的ps中.您的示例foo函数看起来似乎将花费大部分时间等待“命令行调用”完成.