Python Tensorflow+；joblib：限制为8个进程？

我用TensorFlow创建了一个统计估计器。我遵循了sklearn的估计器，所以我有一个类可以打包所有内容，包括导入Tensorflow和启动TF的会话（如果我在类外导入TF，则没有任何并行工作）

我需要在随机数据上多次运行该估计器以查看经验分布，因此我使用joblib来并行化创建数据的代码，创建估计器对象并对数据运行估计。 我在一台64核（和大量内存）的linux服务器上工作，在那里我运行了比这更大的作业，也使用了joblib。然而，当我尝试运行基于TF的代码时，我只能运行8个进程。如果我尝试使用9，那么在

top

中只显示8，当这8个都完成时，joblib不会再发送另一个8，也不会返回，或者返回以下错误消息

BrokerProcessPool：执行器中的进程突然终止 当未来正在运行或待定时。”

如果我将进程限制为8个，那么一切都正常工作。 我尝试将joblib的后端更改为dask.parallel，我也有同样的行为。我从后端获得了更多的信息，不断有消息说

“distributed.nanny-警告-工作进程7602被 未知信号“

我希望能够运行8个以上的进程问题是：这是一个硬限制还是我可以通过一些TF参数来改变它？我能以任何方式解决这个问题吗？我认为限制与Tensorflow有关，因为一旦8个进程运行（它们需要几个小时），我就无法在该机器上运行Tensorflow的任何其他程序

谢谢你的帮助

以下代码再现了该错误：

from sklearn.base import TransformerMixin
import numpy as np
from joblib import Parallel, delayed

class MyEstimator(TransformerMixin):
    def __init__(self):
        import tensorflow as tf
        self._tf = tf
        self._graph = tf.Graph()
        with self._graph.as_default():
            self.session = self._tf.Session()
            A0 = np.eye(10, 2)
            self.a_var = a_var = tf.Variable(A0, name='a_var', dtype=tf.float64)
            self._x = x = tf.placeholder(dtype=tf.float64)
            self._y = y= tf.placeholder(dtype=tf.float64)
            w = tf.tensordot(a_var, x, axes=0)
            self.f = tf.reduce_mean((y-w)**2)

    def fit(self, x, y):
        #self.session.run(
        #             self._tf.global_variables_initializer())
        self._f = self.session.run(self.f, feed_dict={self._x:x, self._y: y, self.a_var:np.eye(10, 2)})

        return self

def run_estimator():
    my_est = MyEstimator()
    x = np.random.normal(0,1,10)
    y = np.random.normal(0,1,10)
    my_est.fit(x,y)

Parallel(n_jobs=16)(delayed(run_estimator)() for _ in range(16))

---

我在Linux、Python 3.6.3、TensorFlow 1.7.0、joblib 0.12上工作。

几个月后，我找到了一个解决方案，一个TensorFlow服务器

---

您知道tensorflow 2.0中tf.train.Server.create_local_Server（）的正确行吗？

from sklearn.base import TransformerMixin
import numpy as np
from joblib import Parallel, delayed

class MyEstimator(TransformerMixin):
    def __init__(self, target):
        import tensorflow as tf
        self._tf = tf
        self._graph = tf.Graph()
        with self._graph.as_default():
            config = self._tf.ConfigProto(
                    intra_op_parallelism_threads=1,
                    inter_op_parallelism_threads=1,
                    device_count={"CPU":4},
                    use_per_session_threads=True)
            config.graph_options.optimizer_options.global_jit_level = tf.OptimizerOptions.ON_1
            pool = config.session_inter_op_thread_pool.add()
            pool.num_threads = 1

            self.session = self._tf.Session(target)
            A0 = np.eye(10, 2)
            self.a_var = a_var = tf.Variable(A0, name='a_var', dtype=tf.float64)
            self._x = x = tf.placeholder(dtype=tf.float64)
            self._y = y= tf.placeholder(dtype=tf.float64)
            w = tf.tensordot(a_var, x, axes=0)
            self.f = tf.reduce_mean((y-w)**2)

    def fit(self, x, y):
        #self.session.run(
        #             self._tf.global_variables_initializer())
        self._f = self.session.run(self.f, feed_dict={self._x:x, self._y: y, self.a_var:np.eye(10, 2)})

        return self

def run_estimator(target):
    my_est = MyEstimator(target)
    x = np.random.normal(0,1,10)
    y = np.random.normal(0,1,10)
    my_est.fit(x,y)
    return 1

import tensorflow as tf
server = tf.train.Server.create_local_server()
Parallel(n_jobs=16)(delayed(run_estimator)(server.target) for _ in range(16))