python - 如何为不同Python进程之间的不同神经网络设置共享权重？

Question

我正在尝试用Python实现深度Q学习算法的异步版本，这需要不同进程之间共享神经网络以进行异步更新。我知道由于 GIL，在 Python 中共享对象本身相当困难，并且我发现可以使用 https://docs.python.org/2/library/multiprocessing.html#multiprocessing.Array 简单地共享其权重。 .

但问题是这个Array对象是一维的，不支持reshape()和flatten()操作，这意味着每次我想复制局部权重到全局权重，我必须获取所有权重， reshape 它们并将它们转换为这个数组。当我想将权重复制回来时，我需要进行相反的转换，这在计算上会非常昂贵。我想知道是否有好的方法可以直接将一些共享数组(不需要是这个数组对象)集成到神经网络的权重中，以便每次我调用 update() 时它都会修改直接全局权重？

谢谢!

Answer 1

关键是使用某种共享内存空间为 numpy 数组分配内存。 multiprocessing.Array 对象实际上是实现此目的的一个非常好的方法。然后，您可以使用 numpy 创建 Array 对象的 View ，并且所有 View 将共享内存。您可以在主进程中执行此操作一次，或者让每个子进程在开始工作之前执行一次。我用第一种方法写了一个例子。请记住，这绝不是“进程安全”的，因此您需要使用自己的锁定。

from multiprocessing import Pool, Array
import numpy as np
import ctypes

shape = (10, 2)
_shared_array = Array(ctypes.c_double, np.prod(shape), lock=False)
shared_array = np.frombuffer(_shared_array, dtype='double').reshape(shape)

def target_func(index, value):
    shared_array[index, :] = value

p = Pool(4)
for i in range(10):
    p.apply_async(target_func, args=(i, i**2))

p.close()
p.join()

print shared_array
# [[  0.   0.]
#  [  1.   1.]
#  [  4.   4.]
#  [  9.   9.]
#  [ 16.  16.]
#  [ 25.  25.]
#  [ 36.  36.]
#  [ 49.  49.]
#  [ 64.  64.]
#  [ 81.  81.]]