Use numpy array na memória compartilhada para multiprocessamento

Eu gostaria de usar uma matriz numpy na memória compartilhada para uso com o módulo de multiprocessamento. A dificuldade é usá-lo como um array numpy, e não apenas como um array ctypes.

from multiprocessing import Process, Array
import scipy

def f(a):
    a[0] = -a[0]

if __name__ == '__main__':
    # Create the array
    N = int(10)
    unshared_arr = scipy.rand(N)
    arr = Array('d', unshared_arr)
    print "Originally, the first two elements of arr = %s"%(arr[:2])

    # Create, start, and finish the child processes
    p = Process(target=f, args=(arr,))
    p.start()
    p.join()

    # Printing out the changed values
    print "Now, the first two elements of arr = %s"%arr[:2]

Isso produz resultados como:

Originally, the first two elements of arr = [0.3518653236697369, 0.517794725524976]
Now, the first two elements of arr = [-0.3518653236697369, 0.517794725524976]

O array pode ser acessado de forma ctypes, por exemplo, arr[i]faz sentido. No entanto, não é uma matriz numpy e não posso executar operações como -1*arr, ou arr.sum(). Suponho que uma solução seria converter a matriz ctypes em uma matriz numpy. Porém (além de não poder fazer esse trabalho), não acredito que seria mais compartilhado.

Parece que haveria uma solução padrão para o que deve ser um problema comum.

Para adicionar às respostas de @unutbu (não está mais disponível) e de @Henry Gomersall. Você pode usar shared_arr.get_lock()para sincronizar o acesso quando necessário:

shared_arr = mp.Array(ctypes.c_double, N)
# ...
def f(i): # could be anything numpy accepts as an index such another numpy array
    with shared_arr.get_lock(): # synchronize access
        arr = np.frombuffer(shared_arr.get_obj()) # no data copying
        arr[i] = -arr[i]

Exemplo

import ctypes
import logging
import multiprocessing as mp

from contextlib import closing

import numpy as np

info = mp.get_logger().info

def main():
    logger = mp.log_to_stderr()
    logger.setLevel(logging.INFO)

    # create shared array
    N, M = 100, 11
    shared_arr = mp.Array(ctypes.c_double, N)
    arr = tonumpyarray(shared_arr)

    # fill with random values
    arr[:] = np.random.uniform(size=N)
    arr_orig = arr.copy()

    # write to arr from different processes
    with closing(mp.Pool(initializer=init, initargs=(shared_arr,))) as p:
        # many processes access the same slice
        stop_f = N // 10
        p.map_async(f, [slice(stop_f)]*M)

        # many processes access different slices of the same array
        assert M % 2 # odd
        step = N // 10
        p.map_async(g, [slice(i, i + step) for i in range(stop_f, N, step)])
    p.join()
    assert np.allclose(((-1)**M)*tonumpyarray(shared_arr), arr_orig)

def init(shared_arr_):
    global shared_arr
    shared_arr = shared_arr_ # must be inherited, not passed as an argument

def tonumpyarray(mp_arr):
    return np.frombuffer(mp_arr.get_obj())

def f(i):
    """synchronized."""
    with shared_arr.get_lock(): # synchronize access
        g(i)

def g(i):
    """no synchronization."""
    info("start %s" % (i,))
    arr = tonumpyarray(shared_arr)
    arr[i] = -1 * arr[i]
    info("end   %s" % (i,))

if __name__ == '__main__':
    mp.freeze_support()
    main()

Se você não precisa de acesso sincronizado ou cria seus próprios bloqueios, então mp.Array()é desnecessário. Você poderia usar mp.sharedctypes.RawArrayneste caso.

O Arrayobjeto possui um get_obj()método associado a ele, que retorna o array ctypes que apresenta uma interface de buffer. Acho que o seguinte deve funcionar ...

from multiprocessing import Process, Array
import scipy
import numpy

def f(a):
    a[0] = -a[0]

if __name__ == '__main__':
    # Create the array
    N = int(10)
    unshared_arr = scipy.rand(N)
    a = Array('d', unshared_arr)
    print "Originally, the first two elements of arr = %s"%(a[:2])

    # Create, start, and finish the child process
    p = Process(target=f, args=(a,))
    p.start()
    p.join()

    # Print out the changed values
    print "Now, the first two elements of arr = %s"%a[:2]

    b = numpy.frombuffer(a.get_obj())

    b[0] = 10.0
    print a[0]

Quando executado, ele imprime o primeiro elemento de aagora sendo 10.0, mostrando ae bsão apenas duas visualizações na mesma memória.

Para ter certeza de que ele ainda é seguro para multiprocessadores, acredito que você terá que usar os métodos acquiree releaseexistentes no Arrayobjeto a, e seu bloqueio embutido para garantir que todos sejam acessados ​​com segurança (embora eu não seja um especialista no módulo multiprocessador).

Embora as respostas já dadas sejam boas, há uma solução muito mais fácil para esse problema, desde que duas condições sejam atendidas:

1. Você está em um padrão POSIX sistema operacional (por exemplo, Linux, Mac OSX); e
2. Seus processos filho precisam de acesso somente leitura ao array compartilhado.

Nesse caso, você não precisa se preocupar em tornar as variáveis ​​explicitamente compartilhadas, pois os processos filhos serão criados usando um fork. Uma criança bifurcada compartilha automaticamente o espaço de memória dos pais. No contexto do multiprocessamento Python, isso significa que ele compartilha todas as variáveis ​​de nível de módulo ; observe que isso não se aplica a argumentos que você passa explicitamente para seus processos filho ou para as funções que você chama em um multiprocessing.Poolou outro.

Um exemplo simples:

import multiprocessing
import numpy as np

# will hold the (implicitly mem-shared) data
data_array = None

# child worker function
def job_handler(num):
    # built-in id() returns unique memory ID of a variable
    return id(data_array), np.sum(data_array)

def launch_jobs(data, num_jobs=5, num_worker=4):
    global data_array
    data_array = data

    pool = multiprocessing.Pool(num_worker)
    return pool.map(job_handler, range(num_jobs))

# create some random data and execute the child jobs
mem_ids, sumvals = zip(*launch_jobs(np.random.rand(10)))

# this will print 'True' on POSIX OS, since the data was shared
print(np.all(np.asarray(mem_ids) == id(data_array)))

Eu escrevi um pequeno módulo python que usa memória compartilhada POSIX para compartilhar matrizes entorpecidas entre interpretadores python. Talvez você ache útil.

https://pypi.python.org/pypi/SharedArray

Funciona assim:

import numpy as np
import SharedArray as sa

# Create an array in shared memory
a = sa.create("test1", 10)

# Attach it as a different array. This can be done from another
# python interpreter as long as it runs on the same computer.
b = sa.attach("test1")

# See how they are actually sharing the same memory block
a[0] = 42
print(b[0])

# Destroying a does not affect b.
del a
print(b[0])

# See how "test1" is still present in shared memory even though we
# destroyed the array a.
sa.list()

# Now destroy the array "test1" from memory.
sa.delete("test1")

# The array b is not affected, but once you destroy it then the
# data are lost.
print(b[0])

Você pode usar o sharedmemmódulo: https://bitbucket.org/cleemesser/numpy-sharedmem

Aqui está seu código original, desta vez usando memória compartilhada que se comporta como uma matriz NumPy (observe a última instrução adicional que chama uma sum()função NumPy ):

from multiprocessing import Process
import sharedmem
import scipy

def f(a):
    a[0] = -a[0]

if __name__ == '__main__':
    # Create the array
    N = int(10)
    unshared_arr = scipy.rand(N)
    arr = sharedmem.empty(N)
    arr[:] = unshared_arr.copy()
    print "Originally, the first two elements of arr = %s"%(arr[:2])

    # Create, start, and finish the child process
    p = Process(target=f, args=(arr,))
    p.start()
    p.join()

    # Print out the changed values
    print "Now, the first two elements of arr = %s"%arr[:2]

    # Perform some NumPy operation
    print arr.sum()