Utilice la matriz numpy en la memoria compartida para multiprocesamiento

Me gustaría usar una matriz numpy en memoria compartida para usar con el módulo de multiprocesamiento. La dificultad es usarlo como una matriz numpy, y no solo como una matriz 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]

Esto produce resultados como:

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

Se puede acceder a la matriz de una manera ctypes, por ejemplo, arr[i]tiene sentido. Sin embargo, no es una matriz numerosa y no puedo realizar operaciones como -1*arr, o arr.sum(). Supongo que una solución sería convertir la matriz ctypes en una matriz numpy. Sin embargo (además de no poder hacer que esto funcione), no creo que se comparta más.

Parece que habría una solución estándar para lo que tiene que ser un problema común.

Para agregar a las respuestas de @ unutbu (ya no está disponible) y @Henry Gomersall. Puede utilizar shared_arr.get_lock()para sincronizar el acceso cuando sea necesario:

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]

Ejemplo

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()

Si no necesita acceso sincronizado o crea sus propias cerraduras, entonces no mp.Array()es necesario. Podrías usar mp.sharedctypes.RawArrayen este caso.

El Arrayobjeto tiene un get_obj()método asociado con él, que devuelve la matriz ctypes que presenta una interfaz de búfer. Creo que lo siguiente debería 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]

Cuando se ejecuta, imprime el primer elemento de aahora 10.0, mostrando ay bson solo dos vistas en la misma memoria.

Para asegurarse de que todavía es seguro para multiprocesador, creo que tendrá que usar los métodos acquirey releaseque existen en el Arrayobjeto a, y su bloqueo integrado para asegurarse de que se acceda a todo de manera segura (aunque no soy un experto en el módulo multiprocesador).

Si bien las respuestas ya dadas son buenas, hay una solución mucho más fácil a este problema siempre que se cumplan dos condiciones:

1. Está en un sistema operativo compatible con POSIX (por ejemplo, Linux, Mac OSX); y
2. Los procesos secundarios necesitan acceso de solo lectura a la matriz compartida.

En este caso, no es necesario jugar con la creación explícita de variables compartidas, ya que los procesos secundarios se crearán mediante una bifurcación. Un niño bifurcado comparte automáticamente el espacio de memoria de los padres. En el contexto del multiprocesamiento de Python, esto significa que comparte todas las variables de nivel de módulo ; tenga en cuenta que esto no es válido para los argumentos que pasa explícitamente a sus procesos secundarios o a las funciones que llama en a multiprocessing.Poolo así.

Un simple ejemplo:

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)))

Escribí un pequeño módulo de Python que usa la memoria compartida POSIX para compartir matrices numpy entre intérpretes de Python. Quizás le resulte útil.

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

Así es como funciona:

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])

Puede utilizar el sharedmemmódulo: https://bitbucket.org/cleemesser/numpy-sharedmem

Entonces, aquí está su código original, esta vez usando memoria compartida que se comporta como una matriz NumPy (tenga en cuenta la última declaración adicional que llama a una sum()función 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()