如何在没有终端或多处理库的情况下限制 python 脚本使用的 CPU 数量？

Question

我的主要问题是在这里发布。由于还没有人给出解决方案，我决定找到一种解决方法。我正在寻找一种使用python 代码限制 python 脚本 CPU 使用率（不是优先级，而是 CPU 内核数）的方法。我知道我可以使用多处理库（池等）来做到这一点，但我不是使用多处理运行它的人。所以，我不知道该怎么做。而且我也可以通过终端来做到这一点，但是这个脚本是由另一个脚本导入的。不幸的是，我没有通过终端调用它的奢侈。

tl; dr：如何限制由另一个脚本导入的 python 脚本的CPU 使用率（核心数），我什至不知道为什么它并行运行，而不是通过终端运行它。请检查下面的代码片段。

导致问题的代码片段：

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)

transformer = IncrementalPCA(n_components=7, batch_size=200)

#PARTIAL FIT RUNS IN PARALLEL! GOD WHY?
---------------------------------------
transformer.partial_fit(X[:100, :])
---------------------------------------
X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

版本：

• 蟒蛇 3.6
• 作业库 0.13.2
• scikit-learn 0.20.2
• 麻木 1.16.2

更新：不起作用。感谢您澄清@Darkonaut。可悲的是，我已经知道这行不通，我已经在问题标题上明确说明了，但我猜人们不会阅读。 我想我做错了。我已经根据 @Ben Chaliah Ayoub 的回答更新了代码片段。似乎什么都没有改变。而且我还想指出一点：我不是要在多个内核上运行此代码。这条线transformer.partial_fit(X[:100, :])在多个核心上运行（出于某种原因）并且它没有n_jobs或任何东西。另请注意，我的第一个示例和我的原始代码没有用池或类似的东西初始化。我不能首先设置核心数（因为没有这样的地方）。但是现在它有一个位置，但它仍然在多个内核上运行。随意自己测试一下。（下面的代码）这就是我寻找解决方法的原因。

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import numpy as np
from multiprocessing import Pool, cpu_count
def run_this():
    X, _ = load_digits(return_X_y=True)
    #Copy-paste and increase the size of the dataset to see the behavior at htop.
    for _ in range(8):
        X = np.vstack((X, X))
    print(X.shape)
    #This is the exact same example taken from sckitlearn's IncrementalPCA website.
    transformer = IncrementalPCA(n_components=7, batch_size=200)
    transformer.partial_fit(X[:100, :])
    X_transformed = transformer.fit_transform(X)
    print(X_transformed.shape)
pool= Pool(processes=1)
pool.apply(run_this)

更新：因此，在导入 numpy 之前，我尝试在我的代码中使用它设置 blas 线程，但它不起作用（再次）。还有其他建议吗？最新阶段的代码可以在下面找到。

学分： @Amir

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import os
os.environ["OMP_NUM_THREADS"] = "1" # export OMP_NUM_THREADS=1
os.environ["OPENBLAS_NUM_THREADS"] = "1" # export OPENBLAS_NUM_THREADS=1
os.environ["MKL_NUM_THREADS"] = "1" # export MKL_NUM_THREADS=1
os.environ["VECLIB_MAXIMUM_THREADS"] = "1" # export VECLIB_MAXIMUM_THREADS=1
os.environ["NUMEXPR_NUM_THREADS"] = "1" # export NUMEXPR_NUM_THREADS=1

import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)
transformer = IncrementalPCA(n_components=7, batch_size=200)

transformer.partial_fit(X[:100, :])

X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

Answer 1

我正在寻找一种使用 python 代码限制 python 脚本 CPU 使用率（不是优先级，而是 CPU 内核数）的方法。

使用taskset. 例如，要将使用的 CPU 数量限制为 4，请执行以下操作：

taskset --cpu-list 0,1,2,3 <app>

或者，numactl --physcpubind=cpus做什么taskset等等。

Answer 2

我通过设置 BLAS 环境变量（从此链接）解决了原始问题中给出的示例代码中的问题。我的第一次尝试（第二次更新）是错误的。我需要在导入 numpy 库之前而不是在库（IncrementalPCA）导入 numpy 之前设置线程数。
那么，示例代码中存在什么问题呢？这不是一个实际问题，而是 numpy 库使用的 BLAS 库的一个功能。尝试使用多处理库限制它是行不通的，因为默认情况下 OpenBLAS 设置为使用所有可用线程。
鸣谢： @Amir 和 @Darkonaut 来源：OpenBLAS 1、OpenBLAS 2、解决方案

import os
os.environ["OMP_NUM_THREADS"] = "1" # export OMP_NUM_THREADS=1
os.environ["OPENBLAS_NUM_THREADS"] = "1" # export OPENBLAS_NUM_THREADS=1
os.environ["MKL_NUM_THREADS"] = "1" # export MKL_NUM_THREADS=1
os.environ["VECLIB_MAXIMUM_THREADS"] = "1" # export VECLIB_MAXIMUM_THREADS=1
os.environ["NUMEXPR_NUM_THREADS"] = "1" # export NUMEXPR_NUM_THREADS=1
from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA


import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)
transformer = IncrementalPCA(n_components=7, batch_size=200)

transformer.partial_fit(X[:100, :])

X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

但是您可以通过检查您的 numpy 构建使用哪个环境来显式设置正确的 BLAS 环境，如下所示：

>>>import numpy as np
>>>np.__config__.show()

给出这些结果...

blas_mkl_info:
  NOT AVAILABLE
blis_info:
  NOT AVAILABLE
openblas_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
blas_opt_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
lapack_mkl_info:
  NOT AVAILABLE
openblas_lapack_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
lapack_opt_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/usr/local/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]

...意味着我的 numpy 构建使用了 OpenBLAS。我需要编写的只是os.environ["OPENBLAS_NUM_THREADS"] = "2"为了限制 numpy 库的线程使用。