實(shí)踐環(huán)境

python 3.6.2

Joblib

簡介

Joblib是一組在Python中提供輕量級流水線的工具。特別是：

• 函數(shù)的透明磁盤緩存和延遲重新計(jì)算（記憶模式）
• 簡單易用的并行計(jì)算

Joblib已被優(yōu)化得很快速，很健壯了，特別是在大數(shù)據(jù)上，并對numpy數(shù)組進(jìn)行了特定的優(yōu)化。

主要功能

• 輸出值的透明快速磁盤緩存(Transparent and fast disk-caching of output value): Python函數(shù)的內(nèi)存化或類似make的功能，適用于任意Python對象，包括非常大的numpy數(shù)組。通過將操作寫成一組具有定義良好的輸入和輸出的步驟：Python函數(shù)，將持久性和流執(zhí)行邏輯與域邏輯或算法代碼分離開來。Joblib可以將其計(jì)算保存到磁盤上，并僅在必要時(shí)重新運(yùn)行:

  原文：

  Transparent and fast disk-caching of output value: a memoize or make-like functionality for Python functions that works well for arbitrary Python objects, including very large numpy arrays. Separate persistence and flow-execution logic from domain logic or algorithmic code by writing the operations as a set of steps with well-defined inputs and outputs: Python functions. Joblib can save their computation to disk and rerun it only if necessary:

  >>> from joblib import Memory
  >>> cachedir = 'your_cache_dir_goes_here'
  >>> mem = Memory(cachedir)
  >>> import numpy as np
  >>> a = np.vander(np.arange(3)).astype(float)
  >>> square = mem.cache(np.square)
  >>> b = square(a)                                   
  ______________________________________________________________________...
  [Memory] Calling square...
  square(array([[0., 0., 1.],
         [1., 1., 1.],
         [4., 2., 1.]]))
  _________________________________________________...square - ...s, 0.0min
  
  >>> c = square(a)
  # The above call did not trigger an evaluation
  

• 并行助手（parallel helper)：輕松編寫可讀的并行代碼并快速調(diào)試

  >>> from joblib import Parallel, delayed
  >>> from math import sqrt
  >>> Parallel(n_jobs=1)(delayed(sqrt)(i**2) for i in range(10))
  [0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]
  >>> res = Parallel(n_jobs=1)(delayed(sqrt)(i**2) for i in range(10))
  >>> res
  [0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

• 快速壓縮的持久化(Fast compressed Persistence)：代替pickle在包含大數(shù)據(jù)的Python對象上高效工作（joblib.dump&joblib.load）。

parallel for loops

常見用法

Joblib提供了一個(gè)簡單的助手類，用于使用多進(jìn)程為循環(huán)實(shí)現(xiàn)并行。核心思想是將要執(zhí)行的代碼編寫為生成器表達(dá)式，并將其轉(zhuǎn)換為并行計(jì)算

>>> from math import sqrt
>>> [sqrt(i ** 2) for i in range(10)]
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

使用以下代碼，可以分布到2個(gè)CPU上：

>>> from math import sqrt
>>> from joblib import Parallel, delayed
>>> Parallel(n_jobs=2)(delayed(sqrt)(i ** 2) for i in range(10))
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

輸出可以是一個(gè)生成器，在可以獲取結(jié)果時(shí)立即返回結(jié)果，即使后續(xù)任務(wù)尚未完成。輸出的順序始終與輸入的順序相匹配：輸出的順序總是匹配輸入的順序：

>>> from math import sqrt
>>> from joblib import Parallel, delayed
>>> parallel = Parallel(n_jobs=2, return_generator=True) # py3.7往后版本才支持return_generator參數(shù)
>>> output_generator = parallel(delayed(sqrt)(i ** 2) for i in range(10))
>>> print(type(output_generator))
<class 'generator'>
>>> print(next(output_generator))
0.0
>>> print(next(output_generator))
1.0
>>> print(list(output_generator))
[2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

此生成器允許減少joblib.Parallel的內(nèi)存占用調(diào)用

基于線程的并行VS基于進(jìn)程的并行

默認(rèn)情況下，joblib.Parallel使用'loky'后端模塊啟動單獨(dú)的Python工作進(jìn)程，以便在分散的CPU上同時(shí)執(zhí)行任務(wù)。對于一般的Python程序來說，這是一個(gè)合理的默認(rèn)值，但由于輸入和輸出數(shù)據(jù)需要在隊(duì)列中序列化以便同工作進(jìn)程進(jìn)行通信，因此可能會導(dǎo)致大量開銷（請參閱序列化和進(jìn)程）。

當(dāng)你知道你調(diào)用的函數(shù)是基于一個(gè)已編譯的擴(kuò)展，并且該擴(kuò)展在大部分計(jì)算過程中釋放了Python全局解釋器鎖（GIL）時(shí)，使用線程而不是Python進(jìn)程作為并發(fā)工作者會更有效。例如，在Cython函數(shù)的with nogil 塊中編寫CPU密集型代碼。

如果希望代碼有效地使用線程，只需傳遞preferre='threads'作為joblib.Parallel構(gòu)造函數(shù)的參數(shù)即可。在這種情況下，joblib將自動使用"threading"后端，而不是默認(rèn)的"loky"后端

>>> Parallel(n_jobs=2, prefer=threads')(
...     delayed(sqrt)(i ** 2) for i in range(10))
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

也可以在上下文管理器的幫助下手動選擇特定的后端實(shí)現(xiàn):

>>> from joblib import parallel_backend
>>> with parallel_backend('threading', n_jobs=2):
...    Parallel()(delayed(sqrt)(i ** 2) for i in range(10))
...
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

后者在調(diào)用內(nèi)部使用joblib.Parallel的庫時(shí)特別有用，不會將后端部分作為其公共API的一部分公開。

'loky'后端可能并不總是可獲取。

一些罕見的系統(tǒng)不支持多處理（例如Pyodide）。在這種情況下，loky后端不可用，使用線程作為默認(rèn)后端。

除了內(nèi)置的joblib后端之外，還可以使用幾個(gè)特定于集群的后端：

• 用于Dask集群的Dask后端 (查閱Using Dask for single-machine parallel computing 以獲取示例),
• 用于Ray集群的Ray后端
• 用于Spark集群上分發(fā)joblib任務(wù)的Joblib Apache Spark Backend

序列化與進(jìn)程

要在多個(gè)python進(jìn)程之間共享函數(shù)定義，必須依賴序列化協(xié)議。python中的標(biāo)準(zhǔn)協(xié)議是pickle ，但它在標(biāo)準(zhǔn)庫中的默認(rèn)實(shí)現(xiàn)有幾個(gè)限制。例如，它不能序列化交互式定義的函數(shù)或在__main__模塊中定義的函數(shù)。

為了避免這種限制，loky后端現(xiàn)在依賴于cloudpickle以序列化python對象。cloudpickle是pickle協(xié)議的另一種實(shí)現(xiàn)方式，允許序列化更多的對象，特別是交互式定義的函數(shù)。因此，對于大多數(shù)用途，loky后端應(yīng)該可以完美的工作。

cloudpickle的主要缺點(diǎn)就是它可能比標(biāo)準(zhǔn)類庫中的pickle慢，特別是，對于大型python字典或列表來說，這一點(diǎn)至關(guān)重要，因?yàn)樗鼈兊男蛄谢瘯r(shí)間可能慢100倍。有兩種方法可以更改 joblib的序列化過程以緩和此問題：

• 如果您在UNIX系統(tǒng)上，則可以切換回舊的multiprocessing后端。有了這個(gè)后端，可以使用很快速的pickle在工作進(jìn)程中共享交互式定義的函數(shù)。該解決方案的主要問題是，使用fork啟動進(jìn)程會破壞標(biāo)準(zhǔn)POSIX，并可能與numpy和openblas等第三方庫進(jìn)行非正常交互。

• 如果希望將loky后端與不同的序列化庫一起使用，則可以設(shè)置LOKY_PICKLER=mod_pickle環(huán)境變量，以使用mod_pickle作為loky的序列化庫。作為參數(shù)傳遞的模塊mod_pickle應(yīng)按import mod_picke導(dǎo)入，并且應(yīng)包含一個(gè)Pickler 對象，該對象將用于序列化為對象?？梢栽O(shè)置LOKY_PICKLER=pickle以使用表中類庫中的pickling模塊。LOKY_PICKLER=pickle的主要缺點(diǎn)是不能序列化交互式定義的函數(shù)。為了解決該問題，可以將此解決方案與joblib.wrap_non_picklable_objects() 一起使用，joblib.wrap_non_picklable_objects()可用作裝飾器以為特定對下本地啟用cloudpickle。通過這種方式，可以為所有python對象使用速度快的picking，并在本地為交互式函數(shù)啟用慢速的pickling。查閱loky_wrapper獲取示例。

共享內(nèi)存語義

joblib的默認(rèn)后端將在獨(dú)立的Python進(jìn)程中運(yùn)行每個(gè)函數(shù)調(diào)用，因此它們不能更改主程序中定義的公共Python對象。

然而，如果并行函數(shù)確實(shí)需要依賴于線程的共享內(nèi)存語義，則應(yīng)顯示的使用require='sharemem'，例如：

>>> shared_set = set()
>>> def collect(x):
...    shared_set.add(x)
...
>>> Parallel(n_jobs=2, require='sharedmem')(
...     delayed(collect)(i) for i in range(5))
[None, None, None, None, None]
>>> sorted(shared_set)
[0, 1, 2, 3, 4]

請記住，從性能的角度來看，依賴共享內(nèi)存語義可能是次優(yōu)的，因?yàn)閷蚕鞵ython對象的并發(fā)訪問將受到鎖爭用的影響。

注意，不使用共享內(nèi)存的情況下，任務(wù)進(jìn)程之間的內(nèi)存資源是相互獨(dú)立的，舉例說明如下：

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import time
import threading
from joblib import Parallel, delayed, parallel_backend
from collections import deque

GLOBAL_LIST = []

class TestClass():
    def __init__(self):
        self.job_queue = deque()

    def add_jobs(self):
        i = 0
        while i < 3:
            time.sleep(1)
            i += 1
            GLOBAL_LIST.append(i)
            self.job_queue.append(i)
            print('obj_id：', id(self),  'job_queue：', self.job_queue, 'global_list：', GLOBAL_LIST)


def get_job_queue_list(obj):
    i = 0
    while not obj.job_queue and i < 3:
        time.sleep(1)
        i += 1
        print('obj_id：', id(obj), 'job_queue：', obj.job_queue, 'global_list：', GLOBAL_LIST)
    return obj.job_queue


if __name__ == "__main__":
    obj = TestClass()

    def test_fun():
        with parallel_backend("multiprocessing", n_jobs=2):
            Parallel()(delayed(get_job_queue_list)(obj) for i in range(2))

    thread = threading.Thread(target=test_fun, name="parse_log")
    thread.start()

    time.sleep(1)
    obj.add_jobs()
    print('global_list_len：', len(GLOBAL_LIST))

控制臺輸出：

obj_id： 1554577912664 job_queue： deque([]) global_list： []
obj_id： 1930069893920 job_queue： deque([]) global_list： []
obj_id： 2378500766968 job_queue： deque([1]) global_list： [1]
obj_id： 1554577912664 job_queue： deque([]) global_list： []
obj_id： 1930069893920 job_queue： deque([]) global_list： []
obj_id： 2378500766968 job_queue： deque([1, 2]) global_list： [1, 2]
obj_id： 1554577912664 job_queue： deque([]) global_list： []
obj_id： 1930069893920 job_queue： deque([]) global_list： []
obj_id： 2378500766968 job_queue： deque([1, 2, 3]) global_list： [1, 2, 3]
global_list_len： 3

通過輸出可知，通過joblib.Parallel開啟的進(jìn)程，其占用內(nèi)存和主線程占用的內(nèi)存資源是相互獨(dú)立

復(fù)用worer池

一些算法需要對并行函數(shù)進(jìn)行多次連續(xù)調(diào)用，同時(shí)對中間結(jié)果進(jìn)行處理。在一個(gè)循環(huán)中多次調(diào)用joblib.Parallel次優(yōu)的，因?yàn)樗鼤啻蝿?chuàng)建和銷毀一個(gè)workde（線程或進(jìn)程）池，這可能會導(dǎo)致大量開銷。

在這種情況下，使用joblib.Parallel類的上下文管理器API更有效，以便對joblib.Parallel對象的多次調(diào)用可以復(fù)用同一worker池。

from joblib import Parallel, delayed
from math import sqrt

with Parallel(n_jobs=2) as parallel:
   accumulator = 0.
   n_iter = 0
   while accumulator < 1000:
       results = parallel(delayed(sqrt)(accumulator + i ** 2) for i in range(5))
       accumulator += sum(results)  # synchronization barrier
       n_iter += 1

print(accumulator, n_iter)  #輸出： 1136.5969161564717 14                          

請注意，現(xiàn)在基于進(jìn)程的并行默認(rèn)使用'loky'后端，該后端會自動嘗試自己維護(hù)和重用worker池，即使是在沒有上下文管理器的調(diào)用中也是如此

筆者實(shí)踐發(fā)現(xiàn)，即便采用這種實(shí)現(xiàn)方式，其運(yùn)行效率也是非常低下的，應(yīng)該盡量避免這種設(shè)計(jì)(實(shí)踐環(huán)境 Python3.6)

...略

Parallel參考文檔

class joblib.Parallel(n_jobs=default(None), backend=None, return_generator=False, verbose=default(0), timeout=None, pre_dispatch='2 * n_jobs', batch_size='auto', temp_folder=default(None), max_nbytes=default('1M'), mmap_mode=default('r'), prefer=default(None), require=default(None))

常用參數(shù)說明

• n_jobs：int, 默認(rèn)：None

  并發(fā)運(yùn)行作業(yè)的最大數(shù)量，例如當(dāng)backend='multiprocessing'時(shí)Python工作進(jìn)程的數(shù)量，或者當(dāng)backend='threading'時(shí)線程池的大小。如果設(shè)置為 -1，則使用所有CPU。如果設(shè)置為1，則根本不使用并行計(jì)算代碼，并且行為相當(dāng)于一個(gè)簡單的python for循環(huán)。此模式與timeout不兼容。如果n_jobs小于-1，則使用(n_cpus+1+n_jobs)。因此，如果n_jobs=-2，將使用除一個(gè)CPU之外的所有CPU。如果為None，則默認(rèn)n_jobs=1，除非在parallel_backend()上下文管理器下執(zhí)行調(diào)用，此時(shí)會為n_jobs設(shè)置另一個(gè)值。

• backend: str, ParallelBackendBase實(shí)例或者None, 默認(rèn): 'loky'

  指定并行化后端實(shí)現(xiàn)。支持的后端有：

  • loky 在與工作Python進(jìn)程交換輸入和輸出數(shù)據(jù)時(shí)，默認(rèn)使用的loky可能會導(dǎo)致一些通信和內(nèi)存開銷。在一些罕見的系統(tǒng)（如Pyiode）上，loky后端可能不可用。

  • multiprocessing 以前基于進(jìn)程的后端，基于multiprocessing.Pool。不如loky健壯。

  • threading 是一個(gè)開銷很低的后端，但如果被調(diào)用的函數(shù)大量依賴于Python對象，它會受到Python GIL的影響。當(dāng)執(zhí)行瓶頸是顯式釋放GIL的已編譯擴(kuò)展時(shí)，threading最有用（例如，with-nogil塊中封裝的Cython循環(huán)或?qū)umPy等庫的昂貴調(diào)用）。

  • 最后，可以通過調(diào)用register_pallel_backend()來注冊后端。

  不建議在類庫中調(diào)用Parallel時(shí)對backend名稱進(jìn)行硬編碼，取而代之，建議設(shè)置軟提示（prefer）或硬約束（require），以便庫用戶可以使用parallel_backend()上下文管理器從外部更改backend。

• return_generator: bool

  如果為True，則對此實(shí)例的調(diào)用將返回一個(gè)生成器，并在結(jié)果可獲取時(shí)立即按原始順序返回結(jié)果。請注意，預(yù)期用途是一次運(yùn)行一個(gè)調(diào)用。對同一個(gè)Parallel對象的多次調(diào)用將導(dǎo)致RuntimeError

• prefer: str 可選值 ‘processes’, ‘threads’ ,None, 默認(rèn): None

  如果使用parallel_backen()上下文管理器時(shí)沒有指定特定后端，則選擇默認(rèn)prefer給定值。默認(rèn)的基于進(jìn)程的后端是loky，而默認(rèn)的基于線程的后端則是threading。如果指定了backend參數(shù)，則忽略該參數(shù)。

• require: ‘sharedmem’ 或者None, 默認(rèn)None

  用于選擇后端的硬約束。如果設(shè)置為'sharedmem'，則所選后端將是單主機(jī)和基于線程的，即使用戶要求使用具有parallel_backend的非基于線程的后端。

參考文檔

https://joblib.readthedocs.io/en/latest/

https://joblib.readthedocs.io/

https://joblib.readthedocs.io/en/latest/parallel.html#common-usage

Python Joblib庫是一個(gè)非常實(shí)用的工具庫，可以幫助用戶更高效地處理數(shù)據(jù)。它提供了并行計(jì)算和數(shù)據(jù)預(yù)處理的功能，可以大大縮短計(jì)算時(shí)間，提高計(jì)算效率。使用Joblib庫，用戶只需要簡單地調(diào)用相關(guān)函數(shù)即可完成任務(wù)，非常方便。在實(shí)際應(yīng)用中，Joblib庫可以幫助用戶處理大量數(shù)據(jù)，提高數(shù)據(jù)處理的效率和準(zhǔn)確性。因此，學(xué)習(xí)和掌握J(rèn)oblib庫的使用方法對于數(shù)據(jù)科學(xué)從業(yè)者來說非常重要。

到此這篇關(guān)于Python Joblib庫使用方法案例總結(jié)的文章就介紹到這了,更多相關(guān)Python Joblib庫總結(jié)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論