Dask分布式中如何高效提交大参数任务？答案

【问题标题】：How to efficiently submit tasks with large arguments in Dask distributed?Dask分布式中如何高效提交大参数任务？
【发布时间】：2017-05-19 04:22:53
【问题描述】：

我想提交带有大（千兆字节）参数的 Dask 函数。做这个的最好方式是什么？我想用不同的（小）参数多次运行这个函数。

示例（错误）

这使用 concurrent.futures 接口。我们可以很容易地使用 dask.delayed 接口。

x = np.random.random(size=100000000)  # 800MB array
params = list(range(100))             # 100 small parameters

def f(x, param):
    pass

from dask.distributed import Client
c = Client()

futures = [c.submit(f, x, param) for param in params]

但这比我预期的要慢或导致内存错误。

【问题讨论】：

标签： python dask

【解决方案1】：

好的，所以这里的问题是每个任务都包含一个很大的numpy数组x。对于我们提交的 100 个任务中的每一个，我们需要序列化 x，将其发送到调度程序，将其发送给工作人员等。

相反，我们将数组发送到集群一次：

[future] = c.scatter([x])

现在future 是一个指向位于集群上的数组x 的令牌。现在我们可以提交引用这个远程未来的任务，而不是我们本地客户端上的 numpy 数组。

# futures = [c.submit(f, x, param) for param in params]  # sends x each time
futures = [c.submit(f, future, param) for param in params]  # refers to remote x already on cluster

现在速度更快了，让 Dask 更有效地控制数据移动。

将数据分散到所有工作人员

如果您希望最终需要将数组 x 移动到所有工作人员，那么您可能需要广播数组以开始

[future] = c.scatter([x], broadcast=True)

延迟使用 Dask

期货也可以与 dask.delayed 一起正常工作。这里没有性能优势，但有些人更喜欢这个界面：

# futures = [c.submit(f, future, param) for param in params]

from dask import delayed
lazy_values = [delayed(f)(future, param) for param in params]
futures = c.compute(lazy_values)

【讨论】：

谢谢，很有用！ scatter 命令返回的未来的用法（在您的示例中作为函数的参数）未在文档中解释。
在一个任务中（上面的f）是否可以引用future（x 的广播集群版本）而不将它作为参数传递给submit？例如，在 spark 中，您可以广播一个变量，然后使用全局上下文在您的任务中引用它。