我有三个大列表。第一个包含位数组(模块位数组 0.8.0),另外两个包含整数数组。
l1=[bitarray 1, bitarray 2, ... ,bitarray n]
l2=[array 1, array 2, ... , array n]
l3=[array 1, array 2, ... , array n]
这些数据结构需要相当多的 RAM(总共约 16GB)。
如果我使用以下方法启动 12 个子流程:
multiprocessing.Process(target=someFunction, args=(l1,l2,l3))
这是否意味着将为每个子进程复制 l1、l2 和 l3,还是子进程将共享这些列表?或者更直接地说,我会使用 16GB 还是 192GB 的 RAM?
someFunction 将从这些列表中读取一些值,然后根据读取的值执行一些计算。结果将返回给父进程。列表 l1、l2 和 l3 不会被 someFunction 修改。
因此,我假设子进程不需要也不会复制这些巨大的列表,而是与父进程共享它们。这意味着由于 linux 下的写时复制方法,该程序将占用 16GB 的 RAM(不管我启动了多少子进程)? 我是正确的还是我遗漏了会导致列表被复制的内容?
编辑: 在阅读了有关该主题的更多内容后,我仍然感到困惑。一方面,Linux 使用写时复制,这应该意味着没有数据被复制。另一方面,访问对象会改变它的引用计数(我仍然不确定为什么以及这意味着什么)。即便如此,是否会复制整个对象?
例如,如果我定义 someFunction 如下:
def someFunction(list1, list2, list3):
i=random.randint(0,99999)
print list1[i], list2[i], list3[i]
使用这个函数是否意味着l1、l2和l3将被完全复制到每个子进程?
有没有办法检查这个?
EDIT2 在阅读更多内容并在子进程运行时监控系统的总内存使用情况后,似乎确实为每个子进程复制了整个对象。这似乎是因为引用计数。
在我的程序中实际上不需要 l1、l2 和 l3 的引用计数。这是因为 l1、l2 和 l3 将保留在内存中(不变),直到父进程退出。在此之前不需要释放这些列表使用的内存。事实上,我确信引用计数将保持在 0 以上(对于这些列表和这些列表中的每个对象),直到程序退出。
所以现在问题变成了,我怎样才能确保对象不会被复制到每个子流程?我可以禁用这些列表和这些列表中的每个对象的引用计数吗?
EDIT3 只是一个附加说明。子流程不需要修改 l1
、l2
和 l3
或这些列表中的任何对象。子进程只需要能够引用其中一些对象,而不需要为每个子进程复制内存。
最佳答案
因为这在 google 上仍然是一个非常高的结果,而且还没有其他人提到它,所以我想我会提到在 python 版本 3.8.0 中引入的“真正”共享内存的新可能性:https://docs.python.org/3/library/multiprocessing.shared_memory.html
我在这里包含了一个小例子(在 linux 上测试),其中使用了 numpy 数组,这可能是一个非常常见的用例:
# one dimension of the 2d array which is shared
dim = 5000
import numpy as np
from multiprocessing import shared_memory, Process, Lock
from multiprocessing import cpu_count, current_process
import time
lock = Lock()
def add_one(shr_name):
existing_shm = shared_memory.SharedMemory(name=shr_name)
np_array = np.ndarray((dim, dim,), dtype=np.int64, buffer=existing_shm.buf)
lock.acquire()
np_array[:] = np_array[0] + 1
lock.release()
time.sleep(10) # pause, to see the memory usage in top
print('added one')
existing_shm.close()
def create_shared_block():
a = np.ones(shape=(dim, dim), dtype=np.int64) # Start with an existing NumPy array
shm = shared_memory.SharedMemory(create=True, size=a.nbytes)
# # Now create a NumPy array backed by shared memory
np_array = np.ndarray(a.shape, dtype=np.int64, buffer=shm.buf)
np_array[:] = a[:] # Copy the original data into shared memory
return shm, np_array
if current_process().name == "MainProcess":
print("creating shared block")
shr, np_array = create_shared_block()
processes = []
for i in range(cpu_count()):
_process = Process(target=add_one, args=(shr.name,))
processes.append(_process)
_process.start()
for _process in processes:
_process.join()
print("Final array")
print(np_array[:10])
print(np_array[10:])
shr.close()
shr.unlink()
请注意,由于 64 位整数,此代码可能需要大约 1gb 的 ram 才能运行,因此请确保您不会使用它来卡住您的系统。 ^_^
关于python - 多处理中的共享内存,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14124588/