Python 在numpy块上并行运行一个重循环
我需要迭代一个巨大的numpy数组来构建三个列表,这取决于一个昂贵的C库调用的结果,它接受标量值,并且无法矢量化(或者至少我不知道如何实现)。 这个循环可能需要几个小时到几天的时间,我可以看到性能随着时间的推移而降低(我记录了进度,我可以看到在接近结束时会慢得多),这可能是由于列表的大小不断增加(?) 代码如下所示(我省略了与打印进度和一些微优化相关的代码):Python 在numpy块上并行运行一个重循环,python,numpy,multiprocessing,Python,Numpy,Multiprocessing,我需要迭代一个巨大的numpy数组来构建三个列表,这取决于一个昂贵的C库调用的结果,它接受标量值,并且无法矢量化(或者至少我不知道如何实现)。 这个循环可能需要几个小时到几天的时间,我可以看到性能随着时间的推移而降低(我记录了进度,我可以看到在接近结束时会慢得多),这可能是由于列表的大小不断增加(?) 代码如下所示(我省略了与打印进度和一些微优化相关的代码): 将numpy导入为np 导入swig_c_库 def构建索引(大数组1、大数组2): xs=[] ys=[] idxs=[] 对于(x,
将numpy导入为np
导入swig_c_库
def构建索引(大数组1、大数组2):
xs=[]
ys=[]
idxs=[]
对于(x,y),以np.ndenumerate(大数组)表示的值:
如果不是(值这是模块可以帮助解决的问题
让我们先创建两个数组a1
和a2
。它们可以有任意形状,但在本例中,我们将通过n
使它们成为n
,其中n=30
。我们将数组展平并将它们堆叠在一起,形成一个大的形状数组(2900).沿轴=1
尺寸的每一对都是位于a1
和a2
上相同位置的一对项目:
In[1]:
import numpy as np
n = 30
a1 = np.random.rand(n, n)
a2 = np.random.rand(n, n)
a = np.stack((a1.flat, a2.flat))
a.shape
Out[1]:
(2, 900)
然后,我们继续将数组拆分为块。我们选择250个块:
In[2]:
chunks = np.array_split(a, 250, axis=1)
len(chunks)
Out[2]:
250
In[3]:
chunks[0]
Out[3]:
array([[ 0.54631022, 0.8428954 , 0.11835531, 0.59720379],
[ 0.51184696, 0.64365038, 0.74471553, 0.67035977]])
现在我们将定义一个slow_函数
,它将扮演问题中描述的慢速计算的角色。我们还定义了一种使用numpy
在其中一个块上应用慢速函数的方法
In[4]:
def slow_function(pair):
return np.asscalar(pair[0]) + np.asscalar(pair[1])
def apply_on_chunk(chunk):
return np.apply_along_axis(slow_function, 0, chunk)
apply_on_chunk(chunks[0])
Out[4]:
array([ 1.05815717, 1.48654578, 0.86307085, 1.26756356])
在上面,请注意,apply_on_chunk
无论块中axis=1
的大小如何都可以工作。换句话说,我们可以继续调用apply_on_chunk(a)
来计算整个初始数组的结果
与dask.bag并行
我们现在展示如何使用dask.bag
对象的map
方法沿块并行计算:
In[5]:
import dask.bag as db
mybag = db.from_sequence(chunks)
In[6]:
%time myresult = mybag.map(apply_on_chunk)
Out[6]:
CPU times: user 4 ms, sys: 0 ns, total: 4 ms
Wall time: 1.62 ms
此时,我们还没有计算任何内容。我们已经向dask
描述了我们希望如何计算结果。这一步骤相对较快,大约需要1.6毫秒
要继续并触发实际计算,我们调用myresult
上的compute
方法:
In[7]:
%time myresult = myresult.compute()
Out[7]:
CPU times: user 256 ms, sys: 24 ms, total: 280 ms
Wall time: 362 ms
上面的操作需要1/3秒多一点的时间。我们得到的是一个数组列表,对应于调用dask.bag
中每个元素的apply\u on\u chunk
的结果。我们检查了其中的前五个:
In[8]:
myresult[:5]
Out[8]:
[array([ 1.05815717, 1.48654578, 0.86307085, 1.26756356]),
array([ 1.48913909, 1.25028145, 1.36707112, 1.04826167]),
array([ 0.90069768, 1.24921559, 1.23146726, 0.84963409]),
array([ 0.72292347, 0.87069598, 1.35893143, 1.02451637]),
array([ 1.16422966, 1.35559156, 0.9071381 , 1.17786002])]
如果我们真的想要最终形式的结果,我们必须调用np.concatenate
,将所有块的结果放在一起。我们在下面这样做,并展示计算的性能:
In[9]:
%time myresult = np.concatenate(\
db.from_sequence(\
np.array_split(np.stack((a1.flat, a2.flat)), 250, axis=1)\
).map(apply_on_chunk).compute())
Out[9]:
CPU times: user 232 ms, sys: 40 ms, total: 272 ms
Wall time: 342 ms
完整的计算,它为我们提供了一个带有结果的单个数组,运行时间略多于1/3秒
如果我们直接在整个阵列上进行计算,而不使用任何并行化,会怎么样
In[10]:
%time myresult_ = np.apply_along_axis(slow_function, 0, np.stack((a1.flat, a2.flat)))
Out[10]:
CPU times: user 12 ms, sys: 0 ns, total: 12 ms
Wall time: 12.9 ms
直接向上的计算速度要快得多。但原因是slow_function
目前并没有那么慢。它只是两个元素的总和,根本不需要花费太多时间。我们在dask.bag
计算中看到的缓慢是rom并行化
让我们继续并重试,但这一次使用了一个非常慢的功能,每次调用大约需要20毫秒:
In[11]:
n = 30
a1 = np.random.rand(n, n)
a2 = np.random.rand(n, n)
import time
def slow_function(pair):
time.sleep(0.02)
return np.asscalar(pair[0]) + np.asscalar(pair[1])
def apply_on_chunk(chunk):
return np.apply_along_axis(slow_function, 0, chunk)
让我们比较一下dask
可以做什么,以及直接在整个阵列上运行计算:
In[12]:
%time myresult = np.concatenate(\
db.from_sequence(\
np.array_split(np.stack((a1.flat, a2.flat)), 250, axis=1)\
).map(apply_on_chunk).compute())
Out[12]:
CPU times: user 236 ms, sys: 20 ms, total: 256 ms
Wall time: 4.75 s
In[13]:
%time myresult_ = np.apply_along_axis(slow_function, 0, np.stack((a1.flat, a2.flat)))
Out[13]:
CPU times: user 72 ms, sys: 16 ms, total: 88 ms
Wall time: 18.2 s
可以看出,dask
正在利用多处理来加速计算。我们得到了大约4倍的加速
为了完整性,我们证明了dask
和直接计算的结果彼此一致:
In[14]:
np.testing.assert_array_equal(myresult, myresult_)
print("success")
Out[14]:
success
请注意,问题中的函数返回一个元组
np.asarray(xs), np.asarray(ys), np.asarray(idxs)
我们所描述的只涉及np.asarray(idxs)
的计算。如果知道原始a1
和a2
的形状,则可以很容易地获得返回元组中的前两项。如果知道大数组的大小,则可以预设xs和ys的大小:xs=[None]*大数组的大小。然后使用索引赋值:xs[i]=x
。这将显著提高大型数组的速度。感谢您的出色回答。它应该作为示例包含在dask文档中。我已经实现了它,并且它工作正常,至少加快了3倍的过程。无论如何,我有一个小问题,无法从块高效地重建结果数组。现在我使用它,假设250作为ch未知长度:xs=np.concatenate([result[i][0]表示xrange(250)中的i)ys=np.concatenate([result[i][1]表示xrange(250)中的i)idxs=np.concatenate([result[i][2]表示xrange(250)])
有没有一种简单的方法来实现这一点?
np.asarray(xs), np.asarray(ys), np.asarray(idxs)