Невозможно рассортировать <тип 'instancemethod'> при использовании многопроцессорности Pool.map()

Ответ 1

Проблема заключается в том, что многопроцессорность должна рассортировать вещи, чтобы перевязать их между процессами, а связанные методы не разборчивы. Обходной путь (независимо от того, считаете ли вы его "легким" или нет;-) заключается в том, чтобы добавить инфраструктуру в вашу программу, чтобы позволить таким методам мариноваться, регистрируя ее с помощью copy_reg.

Например, вклад Стивена Бетарда в этот поток (к концу потока) показывает один вполне работоспособный подход, позволяющий методу травления/разбрасывания через copy_reg.

Ответ 2

Все эти решения уродливы, потому что многопроцессорность и травление прерываются и ограничены, если вы не прыгаете за пределы стандартной библиотеки.

Если вы используете вилку multiprocessing под названием pathos.multiprocesssing, вы можете напрямую использовать классы и методы класса в многопроцессорных функциях map. Это связано с тем, что вместо pickle или cPickle используется dill, а dill может сериализовать почти что угодно в python.

pathos.multiprocessing также предоставляет функцию асинхронной карты... и она может map функционировать с несколькими аргументами (например, map(math.pow, [1,2,3], [4,5,6]))

См: Что может сделать многопроцессорность и укроп?

и: http://matthewrocklin.com/blog/work/2013/12/05/Parallelism-and-Serialization/

>>> import pathos.pools as pp
>>> p = pp.ProcessPool(4)
>>> 
>>> def add(x,y):
...   return x+y
... 
>>> x = [0,1,2,3]
>>> y = [4,5,6,7]
>>> 
>>> p.map(add, x, y)
[4, 6, 8, 10]
>>> 
>>> class Test(object):
...   def plus(self, x, y): 
...     return x+y
... 
>>> t = Test()
>>> 
>>> p.map(Test.plus, [t]*4, x, y)
[4, 6, 8, 10]
>>> 
>>> p.map(t.plus, x, y)
[4, 6, 8, 10]

И только для того, чтобы быть явным, вы можете сделать именно то, что хотите сделать в первую очередь, и можете сделать это из интерпретатора, если хотите.

>>> import pathos.pools as pp
>>> class someClass(object):
...   def __init__(self):
...     pass
...   def f(self, x):
...     return x*x
...   def go(self):
...     pool = pp.ProcessPool(4)
...     print pool.map(self.f, range(10))
... 
>>> sc = someClass()
>>> sc.go()
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> 

Получить код здесь:  https://github.com/uqfoundation/pathos

Ответ 3

Вы также можете определить метод __call__() внутри вашего someClass(), который вызывает someClass.go(), а затем передать экземпляр someClass() в пул. Этот объект разборчиво, и он отлично работает (для меня)...

Ответ 4

Некоторые ограничения, хотя решение Стивена Бетарда:

Когда вы регистрируете свой метод класса как функцию, деструктор вашего класса вызывает удивление каждый раз, когда обработка вашего метода завершена. Поэтому, если у вас есть один экземпляр вашего класса, который называет n раз его метод, члены могут исчезать между двумя прогонами, и вы можете получить сообщение malloc: *** error for object 0x...: pointer being freed was not allocated (например, открытый файл-член) или pure virtual method called, terminate called without an active exception (что означает срок жизни члена объект, который я использовал, был короче, чем я думал). Я получил это, когда занимался n большим, чем размер пула. Вот краткий пример:

from multiprocessing import Pool, cpu_count
from multiprocessing.pool import ApplyResult

# --------- see Stenven solution above -------------
from copy_reg import pickle
from types import MethodType

def _pickle_method(method):
    func_name = method.im_func.__name__
    obj = method.im_self
    cls = method.im_class
    return _unpickle_method, (func_name, obj, cls)

def _unpickle_method(func_name, obj, cls):
    for cls in cls.mro():
        try:
            func = cls.__dict__[func_name]
        except KeyError:
            pass
        else:
            break
    return func.__get__(obj, cls)


class Myclass(object):

    def __init__(self, nobj, workers=cpu_count()):

        print "Constructor ..."
        # multi-processing
        pool = Pool(processes=workers)
        async_results = [ pool.apply_async(self.process_obj, (i,)) for i in range(nobj) ]
        pool.close()
        # waiting for all results
        map(ApplyResult.wait, async_results)
        lst_results=[r.get() for r in async_results]
        print lst_results

    def __del__(self):
        print "... Destructor"

    def process_obj(self, index):
        print "object %d" % index
        return "results"

pickle(MethodType, _pickle_method, _unpickle_method)
Myclass(nobj=8, workers=3)
# problem !!! the destructor is called nobj times (instead of once)

Вывод:

Constructor ...
object 0
object 1
object 2
... Destructor
object 3
... Destructor
object 4
... Destructor
object 5
... Destructor
object 6
... Destructor
object 7
... Destructor
... Destructor
... Destructor
['results', 'results', 'results', 'results', 'results', 'results', 'results', 'results']
... Destructor

Метод __call__ не так эквивалентен, потому что [None,...] считываются из результатов:

from multiprocessing import Pool, cpu_count
from multiprocessing.pool import ApplyResult

class Myclass(object):

    def __init__(self, nobj, workers=cpu_count()):

        print "Constructor ..."
        # multiprocessing
        pool = Pool(processes=workers)
        async_results = [ pool.apply_async(self, (i,)) for i in range(nobj) ]
        pool.close()
        # waiting for all results
        map(ApplyResult.wait, async_results)
        lst_results=[r.get() for r in async_results]
        print lst_results

    def __call__(self, i):
        self.process_obj(i)

    def __del__(self):
        print "... Destructor"

    def process_obj(self, i):
        print "obj %d" % i
        return "result"

Myclass(nobj=8, workers=3)
# problem !!! the destructor is called nobj times (instead of once), 
# **and** results are empty !

Таким образом, ни один из обоих методов не удовлетворяет...

Ответ 5

Там может быть и другой короткий фрагмент, хотя он может быть неэффективным в зависимости от того, что в ваших экземплярах класса.

Как все говорили, проблема в том, что код multiprocessing должен рассортировать вещи, которые он отправляет, в подпроцессы, которые он запускал, а pickler не выполняет экземпляры-методы.

Однако вместо отправки экземпляра-метода вы можете отправить фактический экземпляр класса, а также имя вызываемой функции, в обычную функцию, которая затем использует getattr для вызова метода экземпляра, создавая тем самым связанный метод в подпроцессе Pool. Это похоже на определение метода __call__, за исключением того, что вы можете вызывать более одной функции-члена.

Кража @EricH. код из его ответа и немного аннотируя его (я перепечатал его, следовательно, все изменения имени и т.д. по какой-то причине это показалось проще, чем вырезать-вставить:-)) для иллюстрации всей магии:

import multiprocessing
import os

def call_it(instance, name, args=(), kwargs=None):
    "indirect caller for instance methods and multiprocessing"
    if kwargs is None:
        kwargs = {}
    return getattr(instance, name)(*args, **kwargs)

class Klass(object):
    def __init__(self, nobj, workers=multiprocessing.cpu_count()):
        print "Constructor (in pid=%d)..." % os.getpid()
        self.count = 1
        pool = multiprocessing.Pool(processes = workers)
        async_results = [pool.apply_async(call_it,
            args = (self, 'process_obj', (i,))) for i in range(nobj)]
        pool.close()
        map(multiprocessing.pool.ApplyResult.wait, async_results)
        lst_results = [r.get() for r in async_results]
        print lst_results

    def __del__(self):
        self.count -= 1
        print "... Destructor (in pid=%d) count=%d" % (os.getpid(), self.count)

    def process_obj(self, index):
        print "object %d" % index
        return "results"

Klass(nobj=8, workers=3)

Результат показывает, что конструктор, как правило, вызывается один раз (в исходном pid), а деструктор называется 9 раз (один раз для каждой копии, сделанной = 2 или 3 раза для каждого рабочего процесса пула, плюс один раз в исходном процессе). Это часто бывает нормально, так как в этом случае, поскольку сортировщик по умолчанию делает копию всего экземпляра и (semi-) тайно повторно заполняет его - в этом случае, делая:

obj = object.__new__(Klass)
obj.__dict__.update({'count':1})

- поэтому, хотя деструктор называется восемь раз в трех рабочих процессах, он отсчитывает от 1 до 0 каждый раз, но, конечно, вы все равно можете попасть в проблему таким образом. При необходимости вы можете предоставить свой собственный __setstate__:

    def __setstate__(self, adict):
        self.count = adict['count']

в этом случае, например.

Ответ 6

Вы также можете определить метод __call__() внутри вашего someClass(), который вызывает someClass.go(), а затем передать экземпляр someClass() в пул. Этот объект разборчиво, и он отлично работает (для меня)...

class someClass(object):
   def __init__(self):
       pass
   def f(self, x):
       return x*x

   def go(self):
      p = Pool(4)
      sc = p.map(self, range(4))
      print sc

   def __call__(self, x):   
     return self.f(x)

sc = someClass()
sc.go()

Ответ 7

Решение из parisjohn выше отлично работает со мной. Плюс код выглядит чистым и простым для понимания. В моем случае есть несколько функций для вызова с использованием Pool, поэтому я изменил код parisjohn чуть ниже. Я сделал вызов, чтобы иметь возможность вызывать несколько функций, а имена функций передаются в аргументе dict из go():

from multiprocessing import Pool
class someClass(object):
    def __init__(self):
        pass

    def f(self, x):
        return x*x

    def g(self, x):
        return x*x+1    

    def go(self):
        p = Pool(4)
        sc = p.map(self, [{"func": "f", "v": 1}, {"func": "g", "v": 2}])
        print sc

    def __call__(self, x):
        if x["func"]=="f":
            return self.f(x["v"])
        if x["func"]=="g":
            return self.g(x["v"])        

sc = someClass()
sc.go()

Ответ 8

Потенциально тривиальное решение этого - переключиться на использование multiprocessing.dummy. Это потоковая реализация интерфейса многопроцессорности, который, похоже, не имеет этой проблемы в Python 2.7. У меня нет большого опыта здесь, но это быстрое изменение импорта позволило мне вызвать apply_async для метода класса.

Несколько хороших ресурсов на multiprocessing.dummy:

https://docs.python.org/2/library/multiprocessing.html#module-multiprocessing.dummy

http://chriskiehl.com/article/parallelism-in-one-line/

Ответ 9

В этом простом случае, когда someClass.f не наследует никаких данных из класса и ничего не присоединяет к классу, возможное решение состоит в том, чтобы отделить f, чтобы его можно было засолить:

import multiprocessing


def f(x):
    return x*x


class someClass(object):
    def __init__(self):
        pass

    def go(self):
        pool = multiprocessing.Pool(processes=4)       
        print pool.map(f, range(10))

Ответ 10

Почему бы не использовать отдельную функцию?

def func(*args, **kwargs):
    return inst.method(args, kwargs)

print pool.map(func, arr)

Ответ 11

Я столкнулся с этой же проблемой, но обнаружил, что есть кодировщик JSON, который можно использовать для перемещения этих объектов между процессами.

from pyVmomi.VmomiSupport import VmomiJSONEncoder

Используйте это, чтобы создать свой список: jsonSerialized= json.dumps(pfVmomiObj, cls=VmomiJSONEncoder)

Затем в отображенной функции используйте это для восстановления объекта: pfVmomiObj = json.loads(jsonSerialized)

Ответ 12

Обновление: по состоянию на день написания, namedTuples можно выбирать (начиная с python 2.7)

Проблема здесь в том, что дочерние процессы не могут импортировать класс объекта -in, в этом случае, класс P-, в случае многомодельного проекта класс P должен импортироваться везде, где получен дочерний процесс. б

быстрый обходной путь - сделать его импортируемым, воздействуя на глобальные переменные()

globals()["P"] = P