joblib.Parallel 用于嵌套列表理解

Question

我有一个嵌套列表理解，看起来像这样：

>>> nested = [[1, 2], [3, 4, 5]]
>>> [[sqrt(i) for i in j] for j in nested]
[[1.0, 1.4142135623730951], [1.7320508075688772, 2.0, 2.23606797749979]]

是否可以使用标准 joblib 方法将其并行化以实现令人尴尬的并行 for 循环？如果是这样，正确的语法是什么delayed？

据我所知，文档没有提及或给出任何嵌套输入的示例。我尝试了一些简单的实现，但没有成功：

>>> #this syntax fails:
>>> Parallel(n_jobs = 2) (delayed(sqrt)(i for i in j) for j in nested)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Python27\lib\site-packages\joblib\parallel.py", line 660, in __call__
    self.retrieve()
  File "C:\Python27\lib\site-packages\joblib\parallel.py", line 512, in retrieve
    self._output.append(job.get())
  File "C:\Python27\lib\multiprocessing\pool.py", line 558, in get
    raise self._value
pickle.PicklingError: Can't pickle <type 'generator'>: it's not found as __builtin__.generator
>>> #this syntax doesn't fail, but gives the wrong output:
>>> Parallel(n_jobs = 2) (delayed(sqrt)(i) for i in j for j in nested)
[1.7320508075688772, 1.7320508075688772, 2.0, 2.0, 2.23606797749979, 2.23606797749979]

如果这是不可能的，我显然可以在将列表传递给 之前和之后重新构造列表Parallel。然而，我的实际清单很长，而且每一项都很大，所以这样做并不理想。

Answer 1

sqrt我不太确定您的第二次尝试中发生了什么，但第一次尝试对我来说很清楚： ,后面的括号中的表达式(i for i in j)会产生一个“生成器”对象，该对象被传递到并行处理管道。不幸的是，生成器的输出可能取决于之前的调用。在您的情况下，它会在每次调用时提供 j 的下一个元素，但它也可能会进行一些内部计算，这意味着不同的过程相互依赖，并且您的结果可能会依赖于顺序其中执行并行进程。因此，multiprocessing图书馆拒绝继续。

正如我所说，我不太确定第二个示例中发生了什么，但可能只是您设法意外地multiprocessing做了它在第一个示例中试图避免的事情。

潜在的解决方案：

1：分离迭代级别

...例如，正如 j_n 所建议的那样，通过定义一个将在低级列表上迭代的函数。这很容易实现，但可能不会从并行化中给您带来那么多好处，具体取决于单个列表的长度。也可以选择对外部循环使用非并行列表理解，但并行化内部循环，甚至两者都并行——这是否有用很大程度上取决于数据的结构。

2：迭代嵌套列表的线性化版本

这样，每个执行都是并行完成的，但这意味着您需要先“展平”列表，然后再重组它。

如果您的嵌套列表是规则结构的（即，如果它包含 n 个列表，每个列表有 m 个元素），那么这很容易：

从嵌套列表中创建一个numpy 数组，如下所示：

import numpy as np
# convert to array -- only works well if you have a regular structure!
nested_arr = np.array(nested)
# the shape of the array, for later
shape = nested_arr.shape

# generate an (n*m) linear array from an (n, m) 2D one
linear = nested_arr.ravel()

# run the parallel calculation
results_lin = Parallel(n_jobs = 2) (delayed(sqrt)(e) for e in linear)

# get everything back into shape:
results = results_lin.reshape(shape)

实际上，这可能更简单，因为np.nditer()在多维数组上按元素迭代。不过，我不确定它是否会与joblib和合作multiprocessing。如果您有常规数据（并且您实际上只想做比求平方根更复杂的事情），您还应该考虑简单地使用np.sqrt(nested_arr)- 这比迭代数字列表并按顺序分别对它们进行平方要快得多数量级！

如果您的嵌套列表不规则，则线性化会变得更加复杂：

# store lengths of the sub-lists
structure = [len(e) for e in nested]

# make one linear list
linlist = []
for l in nested:
    linlist.extend(l)

# finally run the parallel computation:
results_lin = Parallel(n_jobs = 2) (delayed(sqrt)(e) for e in linlist)

# ...and bring it all back into shape:
results = []
i = 0

for n in structure:
    results.append(results_lin[i:i+n])

这一切是否再次有意义取决于您正在处理的数据量以及列表的复杂性。通过您的简单示例，显然排序将比计算平方根花费更长的时间。

但你真的需要并行化吗？

如果您所做的只是对大量数字进行简单的数学运算，请考虑使用np.array. 您可以将数组放入大多数方程中，就好像它们是数字一样，并且计算运行得更快：

In [14]: time resl = [sqrt(e) for e in range(1000000)]
CPU times: user 2.1 s, sys: 194 ms, total: 2.29 s
Wall time: 2.19 s

In [15]: time res = np.sqrt(np.arange(1000000))
CPU times: user 10.4 ms, sys: 0 ns, total: 10.4 ms
Wall time: 10.1 ms

这比列表中的操作可以加速到的速度要快得多，甚至在 24 个内核上并行运行也是如此。（事实上​​，您需要大约 216 个并行进程才能跟上numpy，而且我确信将mutliprocessing负载分配给这么多进程的计算工作无论如何都会导致该尝试失败。