python逻辑量有什么_Python多处理：理解`chunksize`背后的逻辑

哪些因素决定了chunksize方法的最佳参数multiprocessing.Pool.map()？该.map()方法似乎使用任意启发式作为其默认的chunksize(如下所述);是什么推动了这种选择，是否有基于某些特定情况/设置的更周到的方法？

示例 - 说我是：

传递iterable到.map()拥有约1500万个元素的元素;

24个核的机器上工作，使用默认processes = os.cpu_count()内multiprocessing.Pool()。

我天真的想法是给每24个工人一个同样大小的块，即15_000_000 / 24625,000。大块应该在充分利用所有工人的同时减少营业额/管理费用。但似乎缺少给每个工人提供大批量的一些潜在缺点。这是不完整的图片，我错过了什么？

我的部分问题源于ifchunksize=None：both.map()和.starmap()call的默认逻辑，.map_async()如下所示：

def_map_async(self,func,iterable,mapper,chunksize=None,callback=None,error_callback=None):# ... (materialize `iterable` to list if it's an iterator)ifchunksizeisNone:chunksize,extra=divmod(len(iterable),len(self._pool)*4)# ????ifextra:chunksize+=1iflen(iterable)==0:chunksize=0

背后的逻辑是divmod(len(iterable), len(self._pool) * 4)什么？这意味着chunksize将更接近15_000_000 / (24 * 4) == 156_250。乘以len(self._pool)4的意图是什么？

这使得得到的chunksize比我上面的“天真逻辑”小4倍，其中包括将iterable的长度除以in的数量pool._pool。

最后，还有来自Python文档的这个片段.imap()，进一步激发了我的好奇心：

chunksize参数与map()方法使用的参数相同。对于使用了一个较大的值很长iterableschunksize可以使工作完成多少不是使用默认值1速度更快。

解决方案

简答

Pool的chunksize-algorithm是一种启发式算法。它为您尝试填充Pool方法的所有可想象的问题场景提供了一个简单的解决方案。因此，无法针对任何特定方案进行优化。

该算法任意地将可迭代的块分成大约比原始方法多四倍的块。更多的块意味着更多的开销，但增加了调度灵活性。这个答案将如何表明，这会导致平均较高的工人利用率，但不能保证每个案例的总计算时间更短。

“很高兴知道”你可能会想，“但是如何知道这对我的具体多处理问题有帮助？”嗯，事实并非如此。更诚实的简短回答是，“没有简短的答案”，“多处理是复杂的”和“它取决于”。观察到的症状可能有不同的根源，即使是类似的情况。

这个答案试图为您提供基本概念，帮助您更清楚地了解Pool的调度黑匣子。它还试图为您提供一些基本工具，用于识别和避免潜在的悬崖，因为它们与块状结构有关。

目录

第一部分

定义

并行化目标

并行化方案

Chunksize的风险> 1

Pool的Chunksize-Algorithm

量化算法效率

6.1模型

6.2并行计划

6.3效率

6.3.1绝对分配效率(ADE)

6.3.2相对分配效率(RDE)

天真与池的大块算法

现实检查

结论

有必要首先澄清一些重要的术语。

1.定义

块

这里的块是iterable池方法调用中指定的-argument的一部分。如何计算chunksize以及它可能产生的影响，是这个答案的主题。

任务

在数据方面，任务在工作进程中的物理表示可以在下图中看到。

该图显示了一个示例调用pool.map()，沿着一行代码显示，从multiprocessing.pool.worker函数中获取，其中从inqueuegets中读取的任务被解压缩。worker是MainThreadpool-worker-process中的底层main-function。该func池中法规定-argument只会匹配的func内部-variableworker-function单呼的方法，如apply_async和imap用chunksize=1。对于具有chunksize-parameter的其余池方法，处理函数func将是映射器函数(mapstar或starmapstar)。此函数将用户指定的func参数映射到传输的可迭代块( - >“map-tasks”)的每个元素上。这需要时间，定义任务也作为一个工作单位。

Taskel

虽然对于一个块的整个处理使用“任务”一词是由内部的代码匹配的multiprocessing.pool，但是没有指示如何对用户指定的单个调用func(块的一个元素作为参数)应该是提到。为了避免出现命名冲突引起的混淆(想想maxtasksperchildPool的__init__-method的参数)，这个答案将把任务中的单个工作单元称为taskel。

甲taskel(从任务+ ELEMENT)是一种内工作的最小单位的任务。它是使用func-merameter -parameter指定的函数的单次执行Pool，使用从传输的块的单个元素获得的参数调用。一个任务由taskels。chunksize

并行化开销(PO)

PO由Python内部开销和进程间通信(IPC)的开销组成。Python中的每任务开销带有打包和解包任务及其结果所需的代码。IPC开销伴随着线程的必要同步以及不同地址空间之间的数据复制(需要两个复制步骤：parent - > queue - > child)。IPC开销的数量取决于操作系统，硬件和数据大小，这使得对影响的概括变得困难。

2.并行化目标

使用多处理时，我们的总体目标(显然)是最小化所有任务的总处理时间。为实现这一总体目标，我们的技术目标需要优化硬件资源的利用率。

实现技术目标的一些重要子目标是：

最小化并行化开销(最着名的，但不是唯一的：IPC)

所有cpu核心的高利用率

保持内存使用有限，以防止操作系统过度分页(垃圾)

首先，任务需要在计算上足够重(密集)，以获得我们必须为并行化支付的PO。PO的相关性随着每个任务的绝对计算时间的增加而减少。或者，换句话说，对于您的问题，每个任务的绝对计算时间越大，减少PO的需求越少。如果您的计算每个任务需要几个小时，那么相比之下，IPC开销可以忽略不计。这里主要关注的是在分发所有任务之后防止空闲工作进程。保持所有核心的负载意味着，我们尽可能地进行并行化。

3.并行化方案

哪些因素决定了multiprocessing.Pool.map()等方法的最佳chunksize参数

问题的主要因素是我们的单个任务组的计算时间可能会有多大差异。为此命名，最佳chunksize的选择由...决定。

每个任务的计算时间的变异系数(CV)。

从这种变化的程度来看，规模上的两种极端情景是：

所有任务都需要完全相同的计算时间。

任务可能需要几秒或几天才能完成。

为了更好的可记忆性，我将这些场景称为：

密集的场景

广泛的情景

密集的场景

In a Dense Scenario it would be desirable to distribute all taskels at once, to keep necessary IPC and context switching at a minimum. This means we want to create only as much chunks, as much worker processes there are. How already stated above, the weight of PO increases with shorter computation times per taskel.

For maximal throughput, we also want all worker processes busy until all tasks are processed (no idling workers). For this goal, the distributed chunks should be of equal size or close to.

Wide Scenario

The prime example for a Wide Scenario would be an optimization problem, where results either converge quickly or computation can take hours, if not days. Usually it is not predictable what mixture of "light taskels" and "heavy taskels" a task will contain in such a case, hence it's not advisable to distribute too many taskels in a task-batch at once