为什么我导入 numpy 后多处理只使用一个核心？

Question

我不确定这是否更多地被视为操作系统问题，但我想我会在这里问一下，以防有人对 Python 的结局有所了解。

我一直在尝试使用 joblib 并行化 CPU 密集型 for 循环，但我发现不是将每个工作进程分配给不同的核心，而是将它们全部分配给相同的内核，没有性能提升。

这是一个非常简单的例子......

from joblib import Parallel,delayed
import numpy as np

def testfunc(data):
    # some very boneheaded CPU work
    for nn in xrange(1000):
        for ii in data[0,:]:
            for jj in data[1,:]:
                ii*jj

def run(niter=10):
    data = (np.random.randn(2,100) for ii in xrange(niter))
    pool = Parallel(n_jobs=-1,verbose=1,pre_dispatch='all')
    results = pool(delayed(testfunc)(dd) for dd in data)

if __name__ == '__main__':
    run()

...这是我在此脚本运行时在htop 中看到的内容：

我在 4 核笔记本电脑上运行 Ubuntu 12.10 (3.5.0-26)。显然joblib.Parallel 正在为不同的工作人员生成单独的进程，但是有什么方法可以让这些进程在不同的内核上执行？

Answer 1

经过一番谷歌搜索后，我找到了答案here。

事实证明，某些 Python 模块（numpy、scipy、tables、pandas、skimage...）在导入时会混淆核心亲和力。据我所知，这个问题似乎是由它们链接到多线程 OpenBLAS 库引起的。

一种解决方法是使用

重置任务关联性

os.system("taskset -p 0xff %d" % os.getpid())

在模块导入后粘贴此行，我的示例现在可以在所有内核上运行：

到目前为止，我的经验是，这似乎对 numpy 的性能没有任何负面影响，尽管这可能是特定于机器和任务的。

更新：

还有两种方法可以禁用 OpenBLAS 本身的 CPU 关联重置行为。在运行时可以使用环境变量OPENBLAS_MAIN_FREE（或GOTOBLAS_MAIN_FREE），例如

OPENBLAS_MAIN_FREE=1 python myscript.py

或者，如果您从源代码编译 OpenBLAS，您可以在构建时通过编辑 Makefile.rule 以包含该行来永久禁用它

NO_AFFINITY=1

Answer 2

Python 3 现在公开methods 以直接设置亲和力

>>> import os
>>> os.sched_getaffinity(0)
{0, 1, 2, 3}
>>> os.sched_setaffinity(0, {1, 3})
>>> os.sched_getaffinity(0)
{1, 3}
>>> x = {i for i in range(10)}
>>> x
{0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
>>> os.sched_setaffinity(0, x)
>>> os.sched_getaffinity(0)
{0, 1, 2, 3}

Answer 3

这似乎是 Ubuntu 上 Python 的常见问题，并非特定于 joblib：

• Both multiprocessing.map and joblib use only 1 cpu after upgrade from Ubuntu 10.10 to 12.04
• Python multiprocessing utilizes only one core
• multiprocessing.Pool processes locked to a single core

我建议尝试 CPU 亲和性 (taskset)。