Dask задерживается / dask array нет ответа - PullRequest
Новая
       37

Dask задерживается / dask array нет ответа

0 голосов
/ 27 июня 2018

У меня есть распределенный кластер dask, и я использовал его для загрузки и преобразования данных. Работает как шарм.

Я хочу использовать его для параллельной обработки. Вот моя функция 

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)

Вот одна версия процессора, которую я пытаюсь сделать: 

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

Работает нормально, но занимает несколько часов. Вот мой способ сделать это в сумерках: 

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)

Даже если он запускается all_corr[1].compute(), он просто сидит и не отвечает. Когда я прерываю ядро, оно застревает в /distributed/utils.py:

~ /.../ lib / python3.6 / site-packages / distrib / utils.py в синхронизации (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])

Есть предложения по отладке?

Другие вещи:

  • Если я запускаю его с меньшим mat (el = 1000), и он работает нормально.
  • Если я сделаю el = 5000, он зависнет.
  • Если я прерываю ядро ​​и снова запускаю его с el = 1000, оно зависает.

1 Ответ

0 голосов
/ 29 июня 2018

После добавления импорта в пример я запустил что-то очень медленное при построении графика. Этого можно улучшить, избегая размещения пустых массивов непосредственно в отложенных вызовах следующим образом: 

# 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)

Или, удалив ключевое слово pure=True в dask.delayed (когда вы устанавливаете pure = True, он должен хэшировать содержимое всех входных данных, чтобы получить для них уникальный ключ, вы делаете это 5000 раз). Я выяснил это, профилировав ваш код с помощью магии %snakeviz в IPython.

Я тогда побежал all_corr[1].compute() и все было в порядке. Затем я пробежал all_corr.compute(), и казалось, что он будет прогрессировать до завершения, но не очень быстро. Я подозреваю, что или ваши задачи слишком малы, так что слишком много накладных расходов, или что ваш код тратит слишком много времени в Python на циклы и поэтому сталкивается с проблемами GIL. Не уверен, что.

Следующее, что я бы порекомендовал попробовать, это использовать планировщик dask.distributed, который лучше справился бы с проблемой GIL и усугубил проблему с накладными расходами. Видя, как это выполняется, вероятно, поможет изолировать проблему.

...