segfault 使用 numpy 的 lapack_lite 在 osx 上进行多处理，而不是 linux

Question

以下测试代码在 OSX 10.7.3 上对我来说是段错误，但在其他机器上没有：

from __future__ import print_function

import numpy as np
import multiprocessing as mp
import scipy.linalg

def f(a):
    print("about to call")

    ### these all cause crashes
    sign, x = np.linalg.slogdet(a)
    #x = np.linalg.det(a)
    #x = np.linalg.inv(a).sum()

    ### these are all fine
    #x = scipy.linalg.expm3(a).sum()
    #x = np.dot(a, a.T).sum()

    print("result:", x)
    return x

def call_proc(a):
    print("\ncalling with multiprocessing")
    p = mp.Process(target=f, args=(a,))
    p.start()
    p.join()


if __name__ == '__main__':
    import sys
    n = int(sys.argv[1]) if len(sys.argv) > 1 else 50

    a = np.random.normal(0, 2, (n, n))
    f(a)

    call_proc(a)
    call_proc(a)

其中一个段错误的示例输出：

$ python2.7 test.py
about to call
result: -4.96797718087

calling with multiprocessing
about to call

calling with multiprocessing
about to call

弹出一个 OSX“问题报告”，抱怨像 KERN_INVALID_ADDRESS at 0x0000000000000108 这样的段错误； here's a full one.

如果我用n <= 32 运行它，它运行良好；对于任何n >= 33，它都会崩溃。

如果我注释掉在原始过程中完成的f(a) 调用，则对call_proc 的调用都可以。如果我在不同的大数组上调用f，它仍然会出现段错误；如果我在不同的小数组上调用它，或者如果我调用f(large_array) 然后将f(small_array) 传递给不同的进程，它工作正常。它们实际上不需要是相同的功能。 np.inv(large_array) 然后传递给 np.linalg.slogdet(different_large_array) 也是段错误。

f 中所有被注释掉的 np.linalg 东西都会导致崩溃； np.dot(self.a, self.a.T).sum() 和 scipy.linalg.exp3m 工作正常。据我所知，区别在于前者使用 numpy 的 lapack_lite 而后者不使用。

---

这发生在我的桌面上

• python 2.6.7，numpy 1.5.1
• python 2.7.1，numpy 1.5.1，scipy 0.10.0
• python 3.2.2，numpy 1.6.1，scipy 0.10.1

2.6和2.7我认为是系统默认安装的；我从源代码压缩包手动安装了 3.2 版本。所有这些 numpy 都链接到系统 Accelerate 框架：

$ otool -L `python3.2 -c 'from numpy.core import _dotblas; print(_dotblas.__file__)'`
/Library/Frameworks/Python.framework/Versions/3.2/lib/python3.2/site-packages/numpy/core/_dotblas.so:
    /System/Library/Frameworks/Accelerate.framework/Versions/A/Accelerate (compatibility version 1.0.0, current version 4.0.0)
    /usr/lib/libSystem.B.dylib (compatibility version 1.0.0, current version 125.2.1)

我在另一台具有类似设置的 Mac 上得到相同的行为。

但是f 的所有选项都可以在其他运行的机器上运行

• OSX 10.6.8 与 Python 2.6.1 和 numpy 1.2.1 链接到 Accelerate 4 和 vecLib 268（除了它没有 scipy 或 slogdet）
• Debian 6 与 Python 3.2.2、numpy 1.6.1 和 scipy 0.10.1 链接到系统 ATLAS
• Ubuntu 11.04 与 Python 2.7.1、numpy 1.5.1 和 scipy 0.8.0 链接到系统 ATLAS

---

我在这里做错了吗？这可能是什么原因造成的？我不明白如何在一个被腌制和解封的 numpy 数组上运行一个函数可能会导致它稍后在不同的进程中出现段错误。

---

更新：当我进行核心转储时，回溯位于 dispatch_group_async_f 内部，即 Grand Central Dispatch 接口。大概这是 numpy/GCD 和多处理之间的交互中的一个错误。我已将此报告为a numpy bug，但如果有人对解决方法有任何想法，或者就此而言，如何解决该错误，将不胜感激。 :)

Answer 1

事实证明，在 OSX just doesn't support using BLAS calls on both sides of a fork 上默认使用的 Accelerate 框架。除了链接到不同的 BLAS 之外，没有真正的解决方法，而且这似乎不是他们有兴趣修复的问题。

Answer 2

根据@ogrisel 的评论，我在使用multiprocessing.Pool 之前尝试调用multiprocessing.set_start_method('forkserver')，它就像一个魅力！