如何限制没有终端或多处理库的python脚本使用的CPU数量？

Question

我的主要问题是here。由于还没有人给出解决方案，我决定找到一种解决方法。我正在寻找一种方法来使用 python 代码限制 python 脚本 CPU 使用率（不是优先级，而是 CPU 内核的数量）。我知道我可以使用多处理库（池等）来做到这一点，但我不是使用多处理运行它的人。所以，我不知道该怎么做。我也可以通过终端执行此操作，但此脚本正在由另一个脚本导入。不幸的是，我没有通过终端调用它的奢侈。

tl;dr：如何限制 python 脚本的 CPU 使用率（核心数），该脚本正在由另一个脚本导入，我什至不知道它为什么并行运行，没有通过终端运行它。请检查下面的代码sn-p。

导致问题的代码sn-p：

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)

transformer = IncrementalPCA(n_components=7, batch_size=200)

#PARTIAL FIT RUNS IN PARALLEL! GOD WHY?
---------------------------------------
transformer.partial_fit(X[:100, :])
---------------------------------------
X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

版本：

• Python 3.6
• joblib 0.13.2
• scikit-learn 0.20.2
• numpy 1.16.2

更新：不起作用。感谢您澄清@Darkonaut。可悲的是，我已经知道这行不通，并且我已经在问题标题上明确说明了，但我猜人们没有阅读。 我想我做错了。我已经根据@Ben Chaliah Ayoub answer 更新了代码 sn-p。似乎什么都没有改变。而且我还想指出一点：我不想在多个内核上运行这段代码。这条线 transformer.partial_fit(X[:100, :]) 在多个内核上运行（出于某种原因），它没有 n_jobs 或任何东西。另请注意，我的第一个示例和我的原始代码未使用池或类似的东西进行初始化。我一开始就无法设置核心数（因为没有这样的地方）。但是现在它有了一个位置，但它仍然在多个内核上运行。随意自己测试一下。 （下面的代码）这就是我寻找解决方法的原因。

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import numpy as np
from multiprocessing import Pool, cpu_count
def run_this():
    X, _ = load_digits(return_X_y=True)
    #Copy-paste and increase the size of the dataset to see the behavior at htop.
    for _ in range(8):
        X = np.vstack((X, X))
    print(X.shape)
    #This is the exact same example taken from sckitlearn's IncrementalPCA website.
    transformer = IncrementalPCA(n_components=7, batch_size=200)
    transformer.partial_fit(X[:100, :])
    X_transformed = transformer.fit_transform(X)
    print(X_transformed.shape)
pool= Pool(processes=1)
pool.apply(run_this)

更新：因此，我尝试在导入 numpy 之前在我的代码中使用 this 设置 blas 线程，但它（再次）不起作用。还有其他建议吗？最新阶段的代码可以在下面找到。

致谢： @Amir

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import os
os.environ["OMP_NUM_THREADS"] = "1" # export OMP_NUM_THREADS=1
os.environ["OPENBLAS_NUM_THREADS"] = "1" # export OPENBLAS_NUM_THREADS=1
os.environ["MKL_NUM_THREADS"] = "1" # export MKL_NUM_THREADS=1
os.environ["VECLIB_MAXIMUM_THREADS"] = "1" # export VECLIB_MAXIMUM_THREADS=1
os.environ["NUMEXPR_NUM_THREADS"] = "1" # export NUMEXPR_NUM_THREADS=1

import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)
transformer = IncrementalPCA(n_components=7, batch_size=200)

transformer.partial_fit(X[:100, :])

X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

Answer 1

我正在寻找一种方法来限制 python 脚本的 CPU 使用率（不是优先级，而是 CPU 内核的数量）。

使用taskset 或numactl 运行您的应用程序。

例如，让您的应用程序仅使用前 4 个 CPU：

taskset --cpu-list 0-3 <app>

---

但是，这些工具将进程限制为使用特定的 CPU，而不是使用的 CPU 总数。为了获得最佳结果，他们需要将这些 CPU 与 OS 进程调度程序隔离，以便调度程序不会在这些 CPU 上运行任何其他进程。否则，如果指定的 CPU 当前正在运行其他线程，而其他 CPU 处于空闲状态，则您的线程将无法在其他空闲 CPU 上运行，并且必须为这些特定 CPU 排队，这并不理想。

使用cgroups，您可以限制您的进程/线程使用特定部分的可用CPU 资源，而不限制特定的CPU，但cgroups 设置不那么简单。

Answer 2

我通过设置 BLAS 环境变量（来自this 链接）解决了原始问题中给出的示例代码中的问题。 但这不是我实际问题的答案。我的第一次尝试（第二次更新）是错误的。我需要设置线程数不是在导入 numpy 库之前，而是在库 (IncrementalPCA) 导入 numpy 之前。
那么，示例代码中的问题是什么？这不是一个实际问题，而是 numpy 库使用的 BLAS 库的一个特性。尝试使用多处理库来限制它不起作用，因为默认情况下 OpenBLAS 设置为使用所有可用线程。
致谢：@Amir 和 @Darkonaut 来源：OpenBLAS 1、OpenBLAS 2、Solution

import os
os.environ["OMP_NUM_THREADS"] = "1" # export OMP_NUM_THREADS=1
os.environ["OPENBLAS_NUM_THREADS"] = "1" # export OPENBLAS_NUM_THREADS=1
os.environ["MKL_NUM_THREADS"] = "1" # export MKL_NUM_THREADS=1
os.environ["VECLIB_MAXIMUM_THREADS"] = "1" # export VECLIB_MAXIMUM_THREADS=1
os.environ["NUMEXPR_NUM_THREADS"] = "1" # export NUMEXPR_NUM_THREADS=1
from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA


import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)
transformer = IncrementalPCA(n_components=7, batch_size=200)

transformer.partial_fit(X[:100, :])

X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

但是您可以通过检查哪一个来明确设置正确的 BLAS 环境 您的 numpy 构建使用如下：

>>>import numpy as np
>>>np.__config__.show()

给出了这些结果...

blas_mkl_info:
  NOT AVAILABLE
blis_info:
  NOT AVAILABLE
openblas_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
blas_opt_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
lapack_mkl_info:
  NOT AVAILABLE
openblas_lapack_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
lapack_opt_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]

...意思是我的 numpy 构建使用了 OpenBLAS。我只需要写os.environ["OPENBLAS_NUM_THREADS"] = "2" 来限制numpy 库的线程使用。