python - Dask 延迟/Dask 阵列无响应

Question

我有一个分布式 dask 集群设置，我用它来加载和转换一堆数据。就像魅力一样。

我想用它并行进行一些处理。这是我的功能

el = 5000
n_using = 26
n_across= 6

mat = np.random.random((el,n_using,n_across))
idx = np.tril_indices(n_across*2, -n_across)

def get_vals(c1, m, el, idx):
    m1 = m[c1,:,:]
    corr_vals = np.zeros((el, (n_across//2)*(n_across+1)))
    for c2 in range(c1+1, el):
        corr = np.corrcoef(m1.T, m[c2,:,:].T)
        corr_vals[c2] = corr[idx]
        
    return corr_vals

lazy_get_val = dask.delayed(get_vals, pure=True)

这是我正在尝试做的单处理器版本:

arrays = [get_vals(c1, mat, el, idx) for c1 in range(el)]
all_corr = np.stack(arrays, axis=0)

工作正常，但需要几个小时。 这是我在 dask 中执行此操作的方法:

lazy_list = [lazy_get_val(c1, mat, el, idx) for c1 in range(el)]
arrays = [da.from_delayed(lazy_item, dtype=float, shape=(el, 21)) for lazy_item in lazy_list]
all_corr = da.stack(arrays, axis=0)

即使它运行 all_corr[1].compute()，它也只是坐在那里，不响应。当我中断内核时，它似乎卡在/distributed/utils.py:

~/.../lib/python3.6/site-packages/distributed/utils.py in sync(loop, func, *args, **kwargs)

    249     else:
    250         while not e.is_set():
--> 251             e.wait(10)
    252     if error[0]:
    253         six.reraise(*error[0])

关于调试这个有什么建议吗？

---

其他事情:

• 如果我用较小的 mat (el=1000) 运行它，它运行得很好。
• 如果我设置 el = 5000，它就会挂起。
• 如果我中断内核并使用 el = 1000 再次运行它，它就会挂起。

Answer 1

将导入添加到示例后，我运行了一些东西，但构建图表时速度非常慢。这可以通过避免将 numpy 数组直接放置在延迟调用中来改进，如下所示:

# mat = np.random.random((el,n_using,n_across))
# idx = np.tril_indices(n_across*2, -n_across)
mat = dask.delayed(np.random.random)((el,n_using,n_across))
idx = dask.delayed(np.tril_indices)(n_across*2, -n_across)

或者通过删除 dask.delayed 的 pure=True 关键字(当您设置 pure=True 时，它​​必须对所有输入的内容进行哈希处理以获得唯一的 key ，您正在做这 5000 次)。我通过使用 IPython 中的 %snakeviz 魔法分析您的代码发现了这一点。

然后我运行了 all_corr[1].compute() ，结果很好。然后我运行了 all_corr.compute() ，看起来它会完成，但速度不是很快。我怀疑要么是你的任务太小，导致开销太大，要么是你的代码在 Python for 循环中花费了太多时间，因此遇到了 GIL 问题。不确定是哪个。

我建议尝试的下一件事是使用 dask.distributed 调度程序，它可以更好地处理 GIL 问题并加剧开销问题。查看其执行情况可能有助于隔离问题。