Comment utiliser multiprocessing pour s'attaquer à embarrassingly parallel problems?Résoudre des problèmes parallèles embarrassants en utilisant le multitraitement Python
problèmes embarassingly parallèles sont généralement constitués de trois parties:
- Lire les données d'entrée (à partir d'un fichier, la base de données, la connexion TCP, etc.).
- Exécuter calculs sur les données d'entrée, où chaque calcul est indépendant de tout autre calcul.
- Ecrivez résultats de calculs (dans un fichier, une base de données, une connexion tcp, etc.).
Nous pouvons paralléliser le programme en deux dimensions:
- Partie 2 peut fonctionner sur plusieurs cœurs, puisque chaque calcul est indépendant; l'ordre de traitement n'a pas d'importance.
- Chaque pièce peut s'exécuter indépendamment. La partie 1 peut placer des données dans une file d'attente d'entrée, la partie 2 peut extraire des données de la file d'entrée et placer les résultats dans une file d'attente de sortie et la partie 3 peut extraire les résultats de la file d'attente.
Cela semble un modèle le plus élémentaire dans la programmation concurrente, mais je suis toujours perdu en essayant de le résoudre, alors nous allons écrire un exemple canonique pour illustrer comment cela se fait à l'aide multitraitement.
Voici l'exemple de problème: Étant donné un CSV file avec des lignes d'entiers en entrée, calculez leurs sommes. Séparer le problème en trois parties, qui peuvent tous fonctionner en parallèle:
- processus, le fichier d'entrée en des données brutes (listes/iterables d'entiers)
- calculer les sommes des données, en parallèle
- sortie les sommes
Ci-dessous est traditionnelle, un seul processus programme Python lié qui résout ces trois tâches:
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# basicsums.py
"""A program that reads integer values from a CSV file and writes out their
sums to another CSV file.
"""
import csv
import optparse
import sys
def make_cli_parser():
"""Make the command line interface parser."""
usage = "\n\n".join(["python %prog INPUT_CSV OUTPUT_CSV",
__doc__,
"""
ARGUMENTS:
INPUT_CSV: an input CSV file with rows of numbers
OUTPUT_CSV: an output file that will contain the sums\
"""])
cli_parser = optparse.OptionParser(usage)
return cli_parser
def parse_input_csv(csvfile):
"""Parses the input CSV and yields tuples with the index of the row
as the first element, and the integers of the row as the second
element.
The index is zero-index based.
:Parameters:
- `csvfile`: a `csv.reader` instance
"""
for i, row in enumerate(csvfile):
row = [int(entry) for entry in row]
yield i, row
def sum_rows(rows):
"""Yields a tuple with the index of each input list of integers
as the first element, and the sum of the list of integers as the
second element.
The index is zero-index based.
:Parameters:
- `rows`: an iterable of tuples, with the index of the original row
as the first element, and a list of integers as the second element
"""
for i, row in rows:
yield i, sum(row)
def write_results(csvfile, results):
"""Writes a series of results to an outfile, where the first column
is the index of the original row of data, and the second column is
the result of the calculation.
The index is zero-index based.
:Parameters:
- `csvfile`: a `csv.writer` instance to which to write results
- `results`: an iterable of tuples, with the index (zero-based) of
the original row as the first element, and the calculated result
from that row as the second element
"""
for result_row in results:
csvfile.writerow(result_row)
def main(argv):
cli_parser = make_cli_parser()
opts, args = cli_parser.parse_args(argv)
if len(args) != 2:
cli_parser.error("Please provide an input file and output file.")
infile = open(args[0])
in_csvfile = csv.reader(infile)
outfile = open(args[1], 'w')
out_csvfile = csv.writer(outfile)
# gets an iterable of rows that's not yet evaluated
input_rows = parse_input_csv(in_csvfile)
# sends the rows iterable to sum_rows() for results iterable, but
# still not evaluated
result_rows = sum_rows(input_rows)
# finally evaluation takes place as a chain in write_results()
write_results(out_csvfile, result_rows)
infile.close()
outfile.close()
if __name__ == '__main__':
main(sys.argv[1:])
Prenons ce programme et réécrivons-le pour utiliser le multitraitement pour paralléliser les trois parties décrites ci-dessus. Ci-dessous un squelette de ce nouveau programme parallélisé, qui doit être étoffée pour répondre aux parties dans les commentaires:
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# multiproc_sums.py
"""A program that reads integer values from a CSV file and writes out their
sums to another CSV file, using multiple processes if desired.
"""
import csv
import multiprocessing
import optparse
import sys
NUM_PROCS = multiprocessing.cpu_count()
def make_cli_parser():
"""Make the command line interface parser."""
usage = "\n\n".join(["python %prog INPUT_CSV OUTPUT_CSV",
__doc__,
"""
ARGUMENTS:
INPUT_CSV: an input CSV file with rows of numbers
OUTPUT_CSV: an output file that will contain the sums\
"""])
cli_parser = optparse.OptionParser(usage)
cli_parser.add_option('-n', '--numprocs', type='int',
default=NUM_PROCS,
help="Number of processes to launch [DEFAULT: %default]")
return cli_parser
def main(argv):
cli_parser = make_cli_parser()
opts, args = cli_parser.parse_args(argv)
if len(args) != 2:
cli_parser.error("Please provide an input file and output file.")
infile = open(args[0])
in_csvfile = csv.reader(infile)
outfile = open(args[1], 'w')
out_csvfile = csv.writer(outfile)
# Parse the input file and add the parsed data to a queue for
# processing, possibly chunking to decrease communication between
# processes.
# Process the parsed data as soon as any (chunks) appear on the
# queue, using as many processes as allotted by the user
# (opts.numprocs); place results on a queue for output.
#
# Terminate processes when the parser stops putting data in the
# input queue.
# Write the results to disk as soon as they appear on the output
# queue.
# Ensure all child processes have terminated.
# Clean up files.
infile.close()
outfile.close()
if __name__ == '__main__':
main(sys.argv[1:])
Ces morceaux de code, ainsi que another piece of code that can generate example CSV files à des fins de test, peuvent être found on github.
J'apprécierais n'importe quelle perspicacité ici quant à la façon dont vous concurrenciez des gourous approcheriez ce problème.
Voici quelques questions que j'avais en pensant à ce problème. points de bonus pour adresser toute/tous:
- Dois-je avoir des processus enfants pour la lecture des données et en le plaçant dans la file d'attente, ou puis le processus principal le faire sans bloquer jusqu'à ce que toute entrée est lue?
- De même, devrais-je avoir un processus fils pour écrire les résultats de la file d'attente traitée, ou est-ce que le processus principal peut le faire sans avoir à attendre tous les résultats?
- Dois-je utiliser un processes pool pour les opérations de somme? Si oui, quelle méthode dois-je appeler sur le pool pour qu'il commence à traiter les résultats entrant dans la file d'attente d'entrée, sans bloquer les processus d'entrée et de sortie, aussi? apply_async()? map_async()? imap()? imap_unordered()? Supposons que nous n'ayons pas besoin de siphonner les files d'entrée et de sortie lorsque les données sont saisies, mais que nous pouvons attendre que toutes les entrées soient analysées et que tous les résultats soient calculés (par exemple, nous connaissons toutes les entrées et sorties). s'intégrer dans la mémoire du système). Devrions-nous modifier l'algorithme de quelque façon que ce soit (par exemple, ne pas exécuter de processus en même temps que les E/S)?
Haha, j'aime le terme embarrassingly parallèle. Je suis surpris que c'est la première fois que j'entends le terme, c'est un excellent moyen de se référer à ce concept. –