Dask For Loop平行

Question

我试图找到使用for循环并延迟dask的正确语法。我发现了一些教程和其他问题，但都不适合我的情况，这是非常基础的。

首先，这是并行运行for循环的正确方法吗？

%%time

list_names=['a','b','c','d']
keep_return=[]

@delayed
def loop_dummy(target):
    for i in range (1000000000):
        pass
    print('passed value is:'+target)
    return(1)


for i in list_names:
    c=loop_dummy(i)
    keep_return.append(c)


total = delayed(sum)(keep_return)
total.compute()

这产生了

passed value is:a
passed value is:b
passed value is:c
passed value is:d
Wall time: 1min 53s

如果我连续运行

%%time

list_names=['a','b','c','d']
keep_return=[]


def loop_dummy(target):
    for i in range (1000000000):
        pass
    print('passed value is:'+target)
    return(1)


for i in list_names:
    c=loop_dummy(i)
    keep_return.append(c)

它实际上更快。

passed value is:a
passed value is:b
passed value is:c
passed value is:d
Wall time: 1min 49s

我看过一些示例，其中说到Dask的开销很小，但这似乎花费了足够长的时间来证明，不是吗？

我实际的for循环涉及大量计算，其中我为各种目标建立了模型。

Answer 1

这种计算

for i in range(...):
    pass

受GIL约束。您将要使用multiprocessing或dask.distributed Dask后端，而不是默认的线程后端。我建议以下内容：

total.compute(scheduler='multiprocessing)

但是，如果您的实际计算主要是Numpy / Pandas / Scikit-Learn / Other数字程序包代码，则默认的线程后端可能是正确的选择。

有关在调度程序之间进行选择的更多信息，请参见：http : //dask.pydata.org/en/latest/scheduling.html