python - 多处理中的共享内存对象

Question

假设我有一个大内存 numpy 数组，我有一个函数func将这个巨大的数组作为输入（连同其他一些参数）。func可以并行运行不同的参数。例如：

def func(arr, param):
    # do stuff to arr, param

# build array arr

pool = Pool(processes = 6)
results = [pool.apply_async(func, [arr, param]) for param in all_params]
output = [res.get() for res in results]

如果我使用多处理库，那么那个巨大的数组将被多次复制到不同的进程中。

有没有办法让不同的进程共享同一个数组？这个数组对象是只读的，永远不会被修改。

更复杂的是，如果arr不是一个数组，而是一个任意的python对象，有没有办法共享呢？

[编辑]

我读了答案，但我仍然有点困惑。由于 fork() 是写时复制，因此在 python 多处理库中生成新进程时，我们不应该调用任何额外的成本。但是以下代码表明存在巨大的开销：

from multiprocessing import Pool, Manager
import numpy as np; 
import time

def f(arr):
    return len(arr)

t = time.time()
arr = np.arange(10000000)
print "construct array = ", time.time() - t;


pool = Pool(processes = 6)

t = time.time()
res = pool.apply_async(f, [arr,])
res.get()
print "multiprocessing overhead = ", time.time() - t;

输出（顺便说一句，随着数组大小的增加，成本也会增加，所以我怀疑仍然存在与内存复制相关的开销）：

construct array =  0.0178790092468
multiprocessing overhead =  0.252444982529

如果我们不复制数组，为什么会有这么大的开销？共享内存为我节省了哪些部分？

Answer 1

如果您使用使用写时复制语义的操作系统fork()（如任何常见的 unix），那么只要您从不更改数据结构，它将可供所有子进程使用，而不会占用额外的内存。您不必做任何特别的事情（除非绝对确保您不更改对象）。

您可以为您的问题做的最有效的事情是将您的数组打包成一个有效的数组结构（使用numpyor array），将其放在共享内存中，用 包装它multiprocessing.Array，然后将其传递给您的函数。这个答案显示了如何做到这一点。

如果你想要一个可写的共享对象，那么你需要用某种同步或锁定来包装它。multiprocessing提供了两种方法：一种使用共享内存（适用于简单的值、数组或 ctypes）或Manager代理，其中一个进程持有内存，管理器仲裁其他进程（甚至通过网络）对它的访问。

该Manager方法可用于任意 Python 对象，但比使用共享内存的等效方法要慢，因为对象需要序列化/反序列化并在进程之间发送。

Python中有大量可用的并行处理库和方法。multiprocessing是一个优秀且全面的库，但如果您有特殊需求，也许其他方法之一可能会更好。

Answer 2

我遇到了同样的问题并编写了一个小的共享内存实用程序类来解决它。

我正在使用multiprocessing.RawArray（lockfree），而且对数组的访问根本不同步（lockfree），注意不要自欺欺人。

通过该解决方案，我在四核 i7 上获得了大约 3 倍的加速。

这是代码：随意使用和改进它，请报告任何错误。

'''
Created on 14.05.2013

@author: martin
'''

import multiprocessing
import ctypes
import numpy as np

class SharedNumpyMemManagerError(Exception):
    pass

'''
Singleton Pattern
'''
class SharedNumpyMemManager:    

    _initSize = 1024

    _instance = None

    def __new__(cls, *args, **kwargs):
        if not cls._instance:
            cls._instance = super(SharedNumpyMemManager, cls).__new__(
                                cls, *args, **kwargs)
        return cls._instance        

    def __init__(self):
        self.lock = multiprocessing.Lock()
        self.cur = 0
        self.cnt = 0
        self.shared_arrays = [None] * SharedNumpyMemManager._initSize

    def __createArray(self, dimensions, ctype=ctypes.c_double):

        self.lock.acquire()

        # double size if necessary
        if (self.cnt >= len(self.shared_arrays)):
            self.shared_arrays = self.shared_arrays + [None] * len(self.shared_arrays)

        # next handle
        self.__getNextFreeHdl()        

        # create array in shared memory segment
        shared_array_base = multiprocessing.RawArray(ctype, np.prod(dimensions))

        # convert to numpy array vie ctypeslib
        self.shared_arrays[self.cur] = np.ctypeslib.as_array(shared_array_base)

        # do a reshape for correct dimensions            
        # Returns a masked array containing the same data, but with a new shape.
        # The result is a view on the original array
        self.shared_arrays[self.cur] = self.shared_arrays[self.cnt].reshape(dimensions)

        # update cnt
        self.cnt += 1

        self.lock.release()

        # return handle to the shared memory numpy array
        return self.cur

    def __getNextFreeHdl(self):
        orgCur = self.cur
        while self.shared_arrays[self.cur] is not None:
            self.cur = (self.cur + 1) % len(self.shared_arrays)
            if orgCur == self.cur:
                raise SharedNumpyMemManagerError('Max Number of Shared Numpy Arrays Exceeded!')

    def __freeArray(self, hdl):
        self.lock.acquire()
        # set reference to None
        if self.shared_arrays[hdl] is not None: # consider multiple calls to free
            self.shared_arrays[hdl] = None
            self.cnt -= 1
        self.lock.release()

    def __getArray(self, i):
        return self.shared_arrays[i]

    @staticmethod
    def getInstance():
        if not SharedNumpyMemManager._instance:
            SharedNumpyMemManager._instance = SharedNumpyMemManager()
        return SharedNumpyMemManager._instance

    @staticmethod
    def createArray(*args, **kwargs):
        return SharedNumpyMemManager.getInstance().__createArray(*args, **kwargs)

    @staticmethod
    def getArray(*args, **kwargs):
        return SharedNumpyMemManager.getInstance().__getArray(*args, **kwargs)

    @staticmethod    
    def freeArray(*args, **kwargs):
        return SharedNumpyMemManager.getInstance().__freeArray(*args, **kwargs)

# Init Singleton on module load
SharedNumpyMemManager.getInstance()

if __name__ == '__main__':

    import timeit

    N_PROC = 8
    INNER_LOOP = 10000
    N = 1000

    def propagate(t):
        i, shm_hdl, evidence = t
        a = SharedNumpyMemManager.getArray(shm_hdl)
        for j in range(INNER_LOOP):
            a[i] = i

    class Parallel_Dummy_PF:

        def __init__(self, N):
            self.N = N
            self.arrayHdl = SharedNumpyMemManager.createArray(self.N, ctype=ctypes.c_double)            
            self.pool = multiprocessing.Pool(processes=N_PROC)

        def update_par(self, evidence):
            self.pool.map(propagate, zip(range(self.N), [self.arrayHdl] * self.N, [evidence] * self.N))

        def update_seq(self, evidence):
            for i in range(self.N):
                propagate((i, self.arrayHdl, evidence))

        def getArray(self):
            return SharedNumpyMemManager.getArray(self.arrayHdl)

    def parallelExec():
        pf = Parallel_Dummy_PF(N)
        print(pf.getArray())
        pf.update_par(5)
        print(pf.getArray())

    def sequentialExec():
        pf = Parallel_Dummy_PF(N)
        print(pf.getArray())
        pf.update_seq(5)
        print(pf.getArray())

    t1 = timeit.Timer("sequentialExec()", "from __main__ import sequentialExec")
    t2 = timeit.Timer("parallelExec()", "from __main__ import parallelExec")

    print("Sequential: ", t1.timeit(number=1))    
    print("Parallel: ", t2.timeit(number=1))

Answer 3

这是Ray的预期用例，它是一个用于并行和分布式 Python 的库。在底层，它使用Apache Arrow数据布局（零拷贝格式）序列化对象，并将它们存储在共享内存对象存储中，以便多个进程可以访问它们而无需创建副本。

代码如下所示。

import numpy as np
import ray

ray.init()

@ray.remote
def func(array, param):
    # Do stuff.
    return 1

array = np.ones(10**6)
# Store the array in the shared memory object store once
# so it is not copied multiple times.
array_id = ray.put(array)

result_ids = [func.remote(array_id, i) for i in range(4)]
output = ray.get(result_ids)

如果您不调用ray.put，则该数组仍将存储在共享内存中，但每次调用时都会执行一次func，这不是您想要的。

请注意，这不仅适用于数组，也适用于包含数组的对象，例如将整数映射到数组的字典，如下所示。

您可以通过在 IPython 中运行以下命令来比较 Ray 和 pickle 中的序列化性能。

import numpy as np
import pickle
import ray

ray.init()

x = {i: np.ones(10**7) for i in range(20)}

# Time Ray.
%time x_id = ray.put(x)  # 2.4s
%time new_x = ray.get(x_id)  # 0.00073s

# Time pickle.
%time serialized = pickle.dumps(x)  # 2.6s
%time deserialized = pickle.loads(serialized)  # 1.9s

使用 Ray 进行序列化仅比 pickle 快一点，但由于使用共享内存，反序列化速度要快 1000 倍（这个数字当然取决于对象）。

请参阅Ray 文档。您可以阅读更多关于使用 Ray 和 Arrow 进行快速序列化的信息。请注意，我是 Ray 开发人员之一。

Answer 4

就像 Robert Nishihara 提到的那样，Apache Arrow 使这变得简单，特别是使用 Plasma 内存对象存储，这是 Ray 所构建的。

为此，我专门制作了脑等离子体——在 Flask 应用程序中快速加载和重新加载大对象。它是 Apache Arrow 可序列化对象的共享内存对象命名空间，包括pickle由pickle.dumps(...).

Apache Ray 和 Plasma 的主要区别在于它会为您跟踪对象 ID。在本地运行的任何进程或线程或程序都可以通过从任何Brain对象调用名称来共享变量的值。

$ pip install brain-plasma

$ plasma_store -m 10000000 -s /tmp/plasma

from brain_plasma import Brain
brain = Brain(path='/tmp/plasma/')

brain['a'] = [1]*10000

brain['a']
# >>> [1,1,1,1,...]