python3多进程共享numpy数组（只读）

Question

我不确定这个标题是否适合我的情况：我想分享 numpy 数组的原因是它可能是我案例的潜在解决方案之一，但如果您有其他解决方案也不错。

我的任务：我需要用multiprocessing实现一个迭代算法，而这些进程中的每一个都需要有一个数据副本（这个数据很大，并且是只读的，并且在迭代算法期间不会改变）。

我写了一些伪代码来演示我的想法：

import multiprocessing

def worker_func(data, args):

    # do sth...

    return res

def compute(data, process_num, niter):

    data

    result = []

    args = init()

    for iter in range(niter):

        args_chunk = split_args(args, process_num)

        pool = multiprocessing.Pool()

        for i in range(process_num):

            result.append(pool.apply_async(worker_func,(data, args_chunk[i])))

        pool.close()

        pool.join()

        # aggregate result and update args

        for res in result:

            args = update_args(res.get())

if __name__ == "__main__":

    compute(data, 4, 100)

问题是在每次迭代中，我都必须将数据传递给子进程，这非常耗时。

我想出了两个潜在的解决方案：

1. 在进程之间共享数据（它是 ndarray），这就是这个问题的标题。

2. 保持子进程处于活动状态，例如守护进程或其他东西......并等待调用。通过这样做，我只需要在一开始就传递数据。

那么，有没有办法在进程之间共享一个只读的 numpy 数组？或者，如果您很好地实施了解决方案 2，它也可以工作。

Answer 1

如果您绝对必须使用 Python 多处理，那么您可以使用 Python 多处理和Arrow 的 Plasma 对象存储来将对象存储在共享内存中并从每个工作人员访问它。请参阅此示例，它使用 Pandas 数据帧而不是 numpy 数组执行相同的操作。如果您不是绝对需要使用 Python 多处理，您可以使用Ray更轻松地做到这一点。Ray 的一个优点是它不仅可以处理数组，还可以处理包含数组的 Python 对象。在幕后，Ray 使用Apache Arrow序列化 Python 对象，这是一种零拷贝数据布局，并将结果存储在Arrow 的 Plasma 对象存储中。这允许工作任务对对象进行只读访问，而无需创建自己的副本。您可以阅读有关其工作原理的更多信息。这是您运行的示例的修改版本。import numpy as npimport rayray.init()@ray.remotedef worker_func(data, i):    # Do work. This function will have read-only access to    # the data array.    return 0data = np.zeros(10**7)# Store the large array in shared memory once so that it can be accessed# by the worker tasks without creating copies.data_id = ray.put(data)# Run worker_func 10 times in parallel. This will not create any copies# of the array. The tasks will run in separate processes.result_ids = []for i in range(10):    result_ids.append(worker_func.remote(data_id, i))# Get the results.results = ray.get(result_ids)请注意，如果我们省略该行data_id = ray.put(data)而改为调用worker_func.remote(data, i)，则data数组将在每次函数调用时存储在共享内存中，这将是低效的。通过第一次调用ray.put，我们可以将对象一次存储在对象存储中。