4

我有一个看起来像这样的嵌套列表理解：

>>> nested = [[1, 2], [3, 4, 5]]
>>> [[sqrt(i) for i in j] for j in nested]
[[1.0, 1.4142135623730951], [1.7320508075688772, 2.0, 2.23606797749979]]

是否可以使用标准的 joblib 方法将其并行化，以实现令人尴尬的并行 for 循环？如果是这样，正确的语法是delayed什么？

据我所知，文档没有提到或给出任何嵌套输入的例子。我尝试了一些天真的实现，但无济于事：

>>> #this syntax fails:
>>> Parallel(n_jobs = 2) (delayed(sqrt)(i for i in j) for j in nested)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Python27\lib\site-packages\joblib\parallel.py", line 660, in __call__
    self.retrieve()
  File "C:\Python27\lib\site-packages\joblib\parallel.py", line 512, in retrieve
    self._output.append(job.get())
  File "C:\Python27\lib\multiprocessing\pool.py", line 558, in get
    raise self._value
pickle.PicklingError: Can't pickle <type 'generator'>: it's not found as __builtin__.generator
>>> #this syntax doesn't fail, but gives the wrong output:
>>> Parallel(n_jobs = 2) (delayed(sqrt)(i) for i in j for j in nested)
[1.7320508075688772, 1.7320508075688772, 2.0, 2.0, 2.23606797749979, 2.23606797749979]

如果这是不可能的，我显然可以在将列表传递给Parallel. 但是，我的实际清单很长，而且每个项目都很大，所以这样做并不理想。

4

2 回答 2

2

我不太确定您的第二次尝试中发生了什么，但第一次对我来说很清楚： 后面括号中的表达式sqrt产生(i for i in j)一个“生成器”对象，该对象被传递到并行处理管道。不幸的是，生成器的输出可能取决于先前的调用。在您的情况下，它会在每次被调用时提供 j 的下一个元素，但它也可能会进行一些内部计算，这意味着不同的过程相互依赖，并且您的结果可能会依赖于顺序在其中执行并行处理。出于这个原因，multiprocessing图书馆拒绝继续。

正如我所说，我不太确定第二个示例中发生了什么，但可能只是您设法不小心欺骗multiprocessing了它在第一个示例中试图避免的事情。

潜在的解决方案：

1：分离迭代级别

...例如，正如 j_n 建议的那样，通过定义一个将在低级列表上迭代的函数。这很容易实现，但可能不会从并行化中给您带来太多好处，具体取决于各个列表的长度。也可以选择对外部循环使用非并行列表推导，但并行化内部循环，甚至两者兼而有之——这是否有用很大程度上取决于数据的结构。

2：迭代嵌套列表的线性化版本

这样，每次执行都是并行完成的，但这意味着您需要先“展平”列表，然后再对其进行重组。

如果您的嵌套列表是有规律的结构，这很容易（即，如果它包含 n 个列表，每个列表有 m 个元素：

从嵌套列表中创建一个numpy 数组，如下所示：

import numpy as np
# convert to array -- only works well if you have a regular structure!
nested_arr = np.array(nested)
# the shape of the array, for later
shape = nested_arr.shape

# generate an (n*m) linear array from an (n, m) 2D one
linear = nested_arr.ravel()

# run the parallel calculation
results_lin = Parallel(n_jobs = 2) (delayed(sqrt)(e) for e in linear)

# get everything back into shape:
results = results_lin.reshape(shape)

实际上，这可能更简单，因为np.nditer()在多维数组上逐元素迭代。不过，我不确定它是否会与jobliband合作multiprocessing。如果您有常规数据（并且您真的只想做比求平方根更复杂的事情），您还应该考虑简单地使用np.sqrt(nested_arr)-- 这比遍历数字列表并按顺序分别对它们求平方要快得多量级！

如果您的嵌套列表是不规则的，则线性化变得更加复杂：

# store lengths of the sub-lists
structure = [len(e) for e in nested]

# make one linear list
linlist = []
for l in nested:
    linlist.extend(l)

# finally run the parallel computation:
results_lin = Parallel(n_jobs = 2) (delayed(sqrt)(e) for e in linlist)

# ...and bring it all back into shape:
results = []
i = 0

for n in structure:
    results.append(results_lin[i:i+n])

这一切是否再次有意义取决于您正在处理的数据量以及列表的复杂性。对于您的简单示例，显然排序将比计算平方根花费更长的时间。

但是，您真的需要并行化吗？

如果您所做的只是对大量数字进行简单的数学运算，请考虑使用np.array. 您可以将数组放入大多数方程中，就好像它们是数字一样，并且计算运行得更快：

In [14]: time resl = [sqrt(e) for e in range(1000000)]
CPU times: user 2.1 s, sys: 194 ms, total: 2.29 s
Wall time: 2.19 s

In [15]: time res = np.sqrt(np.arange(1000000))
CPU times: user 10.4 ms, sys: 0 ns, total: 10.4 ms
Wall time: 10.1 ms

这比列表中的操作可以加速到的速度要快得多，甚至可以在 24 个内核上并行运行。numpy（实际上，您需要大约 216个并行进程才能跟上mutliprocessing.

于 2017-08-10T10:58:25.317 回答
1

据我了解，您不能(i for i in j)在该位置输入表达式（如 ）-您将参数放在该函数中。您可以通过编写一个对列表进行解包的函数来实现您想要的，例如这里：

def sqrt_n(j):
   return [i**i for i in j]

Parallel(n_jobs = 2) (delayed(sqrt_n)(j) for j in nested)
于 2015-05-31T17:38:33.217 回答