Multiprocessamento: Como usar Pool.map em uma função definida em uma classe?

Quando executo algo como:

from multiprocessing import Pool

p = Pool(5)
def f(x):
     return x*x

p.map(f, [1,2,3])

Funciona bem. No entanto, colocando isso como uma função de uma classe:

class calculate(object):
    def run(self):
        def f(x):
            return x*x

        p = Pool()
        return p.map(f, [1,2,3])

cl = calculate()
print cl.run()

Dá-me o seguinte erro:

Exception in thread Thread-1:
Traceback (most recent call last):
  File "/sw/lib/python2.6/threading.py", line 532, in __bootstrap_inner
    self.run()
  File "/sw/lib/python2.6/threading.py", line 484, in run
    self.__target(*self.__args, **self.__kwargs)
  File "/sw/lib/python2.6/multiprocessing/pool.py", line 225, in _handle_tasks
    put(task)
PicklingError: Can't pickle <type 'function'>: attribute lookup __builtin__.function failed

Eu vi um post de Alex Martelli lidando com o mesmo tipo de problema, mas não era explícito o suficiente.

Também fiquei irritado com as restrições sobre que tipo de funções o pool.map poderia aceitar. Eu escrevi o seguinte para contornar isso. Parece funcionar, mesmo para o uso recursivo do parmap.

from multiprocessing import Process, Pipe
from itertools import izip

def spawn(f):
    def fun(pipe, x):
        pipe.send(f(x))
        pipe.close()
    return fun

def parmap(f, X):
    pipe = [Pipe() for x in X]
    proc = [Process(target=spawn(f), args=(c, x)) for x, (p, c) in izip(X, pipe)]
    [p.start() for p in proc]
    [p.join() for p in proc]
    return [p.recv() for (p, c) in pipe]

if __name__ == '__main__':
    print parmap(lambda x: x**x, range(1, 5))

Não pude usar os códigos publicados até agora porque os códigos que usam "multiprocessing.Pool" não funcionam com expressões lambda e os códigos que não usam "multiprocessing.Pool" geram tantos processos quanto itens de trabalho.

Adaptei o código ao gerar uma quantidade predefinida de trabalhadores e apenas percorre a lista de entrada se houver um trabalhador ocioso. Também habilitei o modo "daemon" para os trabalhadores que o st ctrl-c trabalha conforme o esperado.

import multiprocessing


def fun(f, q_in, q_out):
    while True:
        i, x = q_in.get()
        if i is None:
            break
        q_out.put((i, f(x)))


def parmap(f, X, nprocs=multiprocessing.cpu_count()):
    q_in = multiprocessing.Queue(1)
    q_out = multiprocessing.Queue()

    proc = [multiprocessing.Process(target=fun, args=(f, q_in, q_out))
            for _ in range(nprocs)]
    for p in proc:
        p.daemon = True
        p.start()

    sent = [q_in.put((i, x)) for i, x in enumerate(X)]
    [q_in.put((None, None)) for _ in range(nprocs)]
    res = [q_out.get() for _ in range(len(sent))]

    [p.join() for p in proc]

    return [x for i, x in sorted(res)]


if __name__ == '__main__':
    print(parmap(lambda i: i * 2, [1, 2, 3, 4, 6, 7, 8]))

O multiprocessamento e a decapagem são interrompidos e limitados, a menos que você pule para fora da biblioteca padrão.

Se você usar uma bifurcação de multiprocessingchamada pathos.multiprocesssing, poderá usar diretamente classes e métodos de classe nas mapfunções do multiprocessamento . Isso ocorre porque dillé usado em vez de pickleou cPicklee dillpode serializar quase tudo em python.

pathos.multiprocessingtambém fornece uma função de mapa assíncrona ... e pode mapfuncionar com vários argumentos (por exemplo map(math.pow, [1,2,3], [4,5,6]))

Veja as discussões: O que o multiprocessamento e o endro podem fazer juntos?

e: http://matthewrocklin.com/blog/work/2013/12/05/Parallelism-and-Serialization

Ele até lida com o código que você escreveu inicialmente, sem modificações, e com o intérprete. Por que qualquer outra coisa mais frágil e específica para um único caso?

>>> from pathos.multiprocessing import ProcessingPool as Pool
>>> class calculate(object):
...  def run(self):
...   def f(x):
...    return x*x
...   p = Pool()
...   return p.map(f, [1,2,3])
... 
>>> cl = calculate()
>>> print cl.run()
[1, 4, 9]

Obtenha o código aqui: https://github.com/uqfoundation/pathos

E, apenas para mostrar um pouco mais do que ele pode fazer:

>>> from pathos.multiprocessing import ProcessingPool as Pool
>>> 
>>> p = Pool(4)
>>> 
>>> def add(x,y):
...   return x+y
... 
>>> x = [0,1,2,3]
>>> y = [4,5,6,7]
>>> 
>>> p.map(add, x, y)
[4, 6, 8, 10]
>>> 
>>> class Test(object):
...   def plus(self, x, y): 
...     return x+y
... 
>>> t = Test()
>>> 
>>> p.map(Test.plus, [t]*4, x, y)
[4, 6, 8, 10]
>>> 
>>> res = p.amap(t.plus, x, y)
>>> res.get()
[4, 6, 8, 10]

Atualmente, não há solução para o seu problema, até onde eu saiba: a função que você atribui map()deve estar acessível através da importação do seu módulo. É por isso que o código de robert funciona: a função f()pode ser obtida importando o seguinte código:

def f(x):
    return x*x

class Calculate(object):
    def run(self):
        p = Pool()
        return p.map(f, [1,2,3])

if __name__ == '__main__':
    cl = Calculate()
    print cl.run()

Na verdade, adicionei uma seção "principal", porque segue as recomendações para a plataforma Windows ("Verifique se o módulo principal pode ser importado com segurança por um novo interpretador Python sem causar efeitos colaterais indesejados").

Também adicionei uma letra maiúscula na frente Calculatepara seguir o PEP 8 . :)

A solução por mrule está correta, mas possui um erro: se a criança enviar uma grande quantidade de dados, poderá preencher o buffer do pipe, bloqueando a criança pipe.send(), enquanto o pai estiver aguardando a saída da criança pipe.join(). A solução é ler os dados da criança antes de join()a criança. Além disso, a criança deve fechar a extremidade do cano dos pais para evitar um conflito. O código abaixo corrige isso. Lembre-se também de que isso parmapcria um processo por elemento no X. Uma solução mais avançada é usar multiprocessing.cpu_count()para dividir Xem vários pedaços e mesclar os resultados antes de retornar. Deixo isso como um exercício para o leitor, a fim de não estragar a concisão da bela resposta da mrule. ;)

from multiprocessing import Process, Pipe
from itertools import izip

def spawn(f):
    def fun(ppipe, cpipe,x):
        ppipe.close()
        cpipe.send(f(x))
        cpipe.close()
    return fun

def parmap(f,X):
    pipe=[Pipe() for x in X]
    proc=[Process(target=spawn(f),args=(p,c,x)) for x,(p,c) in izip(X,pipe)]
    [p.start() for p in proc]
    ret = [p.recv() for (p,c) in pipe]
    [p.join() for p in proc]
    return ret

if __name__ == '__main__':
    print parmap(lambda x:x**x,range(1,5))

Eu também lutei com isso. Eu tinha funções como membros de dados de uma classe, como um exemplo simplificado:

from multiprocessing import Pool
import itertools
pool = Pool()
class Example(object):
    def __init__(self, my_add): 
        self.f = my_add  
    def add_lists(self, list1, list2):
        # Needed to do something like this (the following line won't work)
        return pool.map(self.f,list1,list2)  

Eu precisava usar a função self.f em uma chamada Pool.map () de dentro da mesma classe e self.f não recebeu uma tupla como argumento. Como essa função foi incorporada em uma classe, não ficou claro para mim como escrever o tipo de invólucro sugerido por outras respostas.

Resolvi esse problema usando um wrapper diferente que usa uma tupla / lista, em que o primeiro elemento é a função e os elementos restantes são os argumentos dessa função, chamados eval_func_tuple (f_args). Usando isso, a linha problemática pode ser substituída por pool.map de retorno (eval_func_tuple, itertools.izip (itertools.repeat (self.f), list1, list2)). Aqui está o código completo:

Arquivo: util.py

def add(a, b): return a+b

def eval_func_tuple(f_args):
    """Takes a tuple of a function and args, evaluates and returns result"""
    return f_args[0](*f_args[1:])  

Arquivo: main.py

from multiprocessing import Pool
import itertools
import util  

pool = Pool()
class Example(object):
    def __init__(self, my_add): 
        self.f = my_add  
    def add_lists(self, list1, list2):
        # The following line will now work
        return pool.map(util.eval_func_tuple, 
            itertools.izip(itertools.repeat(self.f), list1, list2)) 

if __name__ == '__main__':
    myExample = Example(util.add)
    list1 = [1, 2, 3]
    list2 = [10, 20, 30]
    print myExample.add_lists(list1, list2)  

Rodar main.py dará [11, 22, 33]. Fique à vontade para melhorar isso, por exemplo, eval_func_tuple também pode ser modificado para receber argumentos de palavras-chave.

Em outra nota, em outras respostas, a função "parmap" pode ser mais eficiente para o caso de mais Processos do que o número de CPUs disponíveis. Estou copiando uma versão editada abaixo. Este é o meu primeiro post e não tinha certeza se deveria editar diretamente a resposta original. Também renomei algumas variáveis.

from multiprocessing import Process, Pipe  
from itertools import izip  

def spawn(f):  
    def fun(pipe,x):  
        pipe.send(f(x))  
        pipe.close()  
    return fun  

def parmap(f,X):  
    pipe=[Pipe() for x in X]  
    processes=[Process(target=spawn(f),args=(c,x)) for x,(p,c) in izip(X,pipe)]  
    numProcesses = len(processes)  
    processNum = 0  
    outputList = []  
    while processNum < numProcesses:  
        endProcessNum = min(processNum+multiprocessing.cpu_count(), numProcesses)  
        for proc in processes[processNum:endProcessNum]:  
            proc.start()  
        for proc in processes[processNum:endProcessNum]:  
            proc.join()  
        for proc,c in pipe[processNum:endProcessNum]:  
            outputList.append(proc.recv())  
        processNum = endProcessNum  
    return outputList    

if __name__ == '__main__':  
    print parmap(lambda x:x**x,range(1,5))         

Peguei a resposta de klaus se e aganders3 e criei um módulo documentado que é mais legível e contém um arquivo. Você pode apenas adicioná-lo ao seu projeto. Ele ainda tem uma barra de progresso opcional!

"""
The ``processes`` module provides some convenience functions
for using parallel processes in python.

Adapted from http://stackoverflow.com/a/16071616/287297

Example usage:

    print prll_map(lambda i: i * 2, [1, 2, 3, 4, 6, 7, 8], 32, verbose=True)

Comments:

"It spawns a predefined amount of workers and only iterates through the input list
 if there exists an idle worker. I also enabled the "daemon" mode for the workers so
 that KeyboardInterupt works as expected."

Pitfalls: all the stdouts are sent back to the parent stdout, intertwined.

Alternatively, use this fork of multiprocessing: 
https://github.com/uqfoundation/multiprocess
"""

# Modules #
import multiprocessing
from tqdm import tqdm

################################################################################
def apply_function(func_to_apply, queue_in, queue_out):
    while not queue_in.empty():
        num, obj = queue_in.get()
        queue_out.put((num, func_to_apply(obj)))

################################################################################
def prll_map(func_to_apply, items, cpus=None, verbose=False):
    # Number of processes to use #
    if cpus is None: cpus = min(multiprocessing.cpu_count(), 32)
    # Create queues #
    q_in  = multiprocessing.Queue()
    q_out = multiprocessing.Queue()
    # Process list #
    new_proc  = lambda t,a: multiprocessing.Process(target=t, args=a)
    processes = [new_proc(apply_function, (func_to_apply, q_in, q_out)) for x in range(cpus)]
    # Put all the items (objects) in the queue #
    sent = [q_in.put((i, x)) for i, x in enumerate(items)]
    # Start them all #
    for proc in processes:
        proc.daemon = True
        proc.start()
    # Display progress bar or not #
    if verbose:
        results = [q_out.get() for x in tqdm(range(len(sent)))]
    else:
        results = [q_out.get() for x in range(len(sent))]
    # Wait for them to finish #
    for proc in processes: proc.join()
    # Return results #
    return [x for i, x in sorted(results)]

################################################################################
def test():
    def slow_square(x):
        import time
        time.sleep(2)
        return x**2
    objs    = range(20)
    squares = prll_map(slow_square, objs, 4, verbose=True)
    print "Result: %s" % squares

EDIT : adicionada sugestão @ alexander-mcfarlane e uma função de teste

Sei que isso foi perguntado há mais de 6 anos, mas só queria adicionar minha solução, pois algumas das sugestões acima parecem terrivelmente complicadas, mas minha solução era realmente muito simples.

Tudo o que eu precisava fazer era agrupar a chamada pool.map () para uma função auxiliar. Passando o objeto de classe junto com args para o método como uma tupla, que se parecia um pouco com isso.

def run_in_parallel(args):
    return args[0].method(args[1])

myclass = MyClass()
method_args = [1,2,3,4,5,6]
args_map = [ (myclass, arg) for arg in method_args ]
pool = Pool()
pool.map(run_in_parallel, args_map)

As funções definidas nas classes (mesmo dentro das funções dentro das classes) realmente não funcionam. No entanto, isso funciona:

def f(x):
    return x*x

class calculate(object):
    def run(self):
        p = Pool()
    return p.map(f, [1,2,3])

cl = calculate()
print cl.run()

Sei que essa pergunta foi feita há 8 anos e 10 meses, mas quero apresentar a minha solução:

from multiprocessing import Pool

class Test:

    def __init__(self):
        self.main()

    @staticmethod
    def methodForMultiprocessing(x):
        print(x*x)

    def main(self):
        if __name__ == "__main__":
            p = Pool()
            p.map(Test.methodForMultiprocessing, list(range(1, 11)))
            p.close()

TestObject = Test()

Você só precisa transformar sua classe em um método estático. Mas também é possível com um método de classe:

from multiprocessing import Pool

class Test:

    def __init__(self):
        self.main()

    @classmethod
    def methodForMultiprocessing(cls, x):
        print(x*x)

    def main(self):
        if __name__ == "__main__":
            p = Pool()
            p.map(Test.methodForMultiprocessing, list(range(1, 11)))
            p.close()

TestObject = Test()

Testado em Python 3.7.3

Modifiquei o método do klaus se porque, embora estivesse trabalhando para mim com pequenas listas, ele seria interrompido quando o número de itens fosse ~ 1000 ou superior. Em vez de enviar os trabalhos um de cada vez com a Nonecondição de parada, carrego a fila de entrada de uma só vez e deixo os processos consumir até ficar vazio.

from multiprocessing import cpu_count, Queue, Process

def apply_func(f, q_in, q_out):
    while not q_in.empty():
        i, x = q_in.get()
        q_out.put((i, f(x)))

# map a function using a pool of processes
def parmap(f, X, nprocs = cpu_count()):
    q_in, q_out   = Queue(), Queue()
    proc = [Process(target=apply_func, args=(f, q_in, q_out)) for _ in range(nprocs)]
    sent = [q_in.put((i, x)) for i, x in enumerate(X)]
    [p.start() for p in proc]
    res = [q_out.get() for _ in sent]
    [p.join() for p in proc]

    return [x for i,x in sorted(res)]

Edit: infelizmente agora estou encontrando este erro no meu sistema: O limite de tamanho máximo da fila de multiprocessamento é 32767 , espero que as soluções alternativas lá ajudem.

Você pode executar seu código sem problemas se, de alguma forma, ignorar manualmente o Poolobjeto da lista de objetos da classe, porque ele não é picklecapaz, como diz o erro. Você pode fazer isso com a __getstate__função (veja aqui também) como segue. O Poolobjeto vai tentar encontrar os __getstate__e __setstate__funções e executá-los se o considerar quando você executar map, map_asyncetc:

class calculate(object):
    def __init__(self):
        self.p = Pool()
    def __getstate__(self):
        self_dict = self.__dict__.copy()
        del self_dict['p']
        return self_dict
    def __setstate__(self, state):
        self.__dict__.update(state)

    def f(self, x):
        return x*x
    def run(self):
        return self.p.map(self.f, [1,2,3])

Então faça:

cl = calculate()
cl.run()

lhe dará a saída:

[1, 4, 9]

Eu testei o código acima no Python 3.xe funciona.

Não tenho certeza se essa abordagem foi adotada, mas uma solução alternativa que estou usando é:

from multiprocessing import Pool

t = None

def run(n):
    return t.f(n)

class Test(object):
    def __init__(self, number):
        self.number = number

    def f(self, x):
        print x * self.number

    def pool(self):
        pool = Pool(2)
        pool.map(run, range(10))

if __name__ == '__main__':
    t = Test(9)
    t.pool()
    pool = Pool(2)
    pool.map(run, range(10))

A saída deve ser:

0
9
18
27
36
45
54
63
72
81
0
9
18
27
36
45
54
63
72
81

class Calculate(object):
  # Your instance method to be executed
  def f(self, x, y):
    return x*y

if __name__ == '__main__':
  inp_list = [1,2,3]
  y = 2
  cal_obj = Calculate()
  pool = Pool(2)
  results = pool.map(lambda x: cal_obj.f(x, y), inp_list)

Existe a possibilidade de você querer aplicar esta função para cada instância diferente da classe. Então aqui está a solução para isso também

class Calculate(object):
  # Your instance method to be executed
  def __init__(self, x):
    self.x = x

  def f(self, y):
    return self.x*y

if __name__ == '__main__':
  inp_list = [Calculate(i) for i in range(3)]
  y = 2
  pool = Pool(2)
  results = pool.map(lambda x: x.f(y), inp_list)

Aqui está a minha solução, que eu acho que é um pouco menos burra do que a maioria das outras aqui. É semelhante à resposta do nightowl.

someclasses = [MyClass(), MyClass(), MyClass()]

def method_caller(some_object, some_method='the method'):
    return getattr(some_object, some_method)()

othermethod = partial(method_caller, some_method='othermethod')

with Pool(6) as pool:
    result = pool.map(othermethod, someclasses)

De http://www.rueckstiess.net/research/snippets/show/ca1d7d90 e http://qingkaikong.blogspot.com/2016/12/python-parallel-method-in-class.html

Podemos criar uma função externa e propagá-la com o auto-objeto da classe:

from joblib import Parallel, delayed
def unwrap_self(arg, **kwarg):
    return square_class.square_int(*arg, **kwarg)

class square_class:
    def square_int(self, i):
        return i * i

    def run(self, num):
        results = []
        results = Parallel(n_jobs= -1, backend="threading")\
            (delayed(unwrap_self)(i) for i in zip([self]*len(num), num))
        print(results)

OU sem joblib:

from multiprocessing import Pool
import time

def unwrap_self_f(arg, **kwarg):
    return C.f(*arg, **kwarg)

class C:
    def f(self, name):
        print 'hello %s,'%name
        time.sleep(5)
        print 'nice to meet you.'

    def run(self):
        pool = Pool(processes=2)
        names = ('frank', 'justin', 'osi', 'thomas')
        pool.map(unwrap_self_f, zip([self]*len(names), names))

if __name__ == '__main__':
    c = C()
    c.run()

Esta pode não ser uma solução muito boa, mas no meu caso, eu a resolvo assim.

from multiprocessing import Pool

def foo1(data):
    self = data.get('slf')
    lst = data.get('lst')
    return sum(lst) + self.foo2()

class Foo(object):
    def __init__(self, a, b):
        self.a = a
        self.b = b

    def foo2(self):
        return self.a**self.b   

    def foo(self):
        p = Pool(5)
        lst = [1, 2, 3]
        result = p.map(foo1, (dict(slf=self, lst=lst),))
        return result

if __name__ == '__main__':
    print(Foo(2, 4).foo())

Eu tive que passar selfpara a minha função, pois tenho que acessar atributos e funções da minha classe através dessa função. Isso está funcionando para mim. Correções e sugestões são sempre bem-vindas.

Aqui está um boilerplate que escrevi para usar o pool de multiprocessamento em python3, especificamente python3.7.7 foi usado para executar os testes. Eu consegui minhas corridas mais rápidas usando imap_unordered. Basta conectar seu cenário e experimentá-lo. Você pode usar timeitou apenas time.time()descobrir o que funciona melhor para você.

import multiprocessing
import time

NUMBER_OF_PROCESSES = multiprocessing.cpu_count()
MP_FUNCTION = 'starmap'  # 'imap_unordered' or 'starmap' or 'apply_async'

def process_chunk(a_chunk):
    print(f"processig mp chunk {a_chunk}")
    return a_chunk


map_jobs = [1, 2, 3, 4]

result_sum = 0

s = time.time()
if MP_FUNCTION == 'imap_unordered':
    pool = multiprocessing.Pool(processes=NUMBER_OF_PROCESSES)
    for i in pool.imap_unordered(process_chunk, map_jobs):
        result_sum += i
elif MP_FUNCTION == 'starmap':
    pool = multiprocessing.Pool(processes=NUMBER_OF_PROCESSES)
    try:
        map_jobs = [(i, ) for i in map_jobs]
        result_sum = pool.starmap(process_chunk, map_jobs)
        result_sum = sum(result_sum)
    finally:
        pool.close()
        pool.join()
elif MP_FUNCTION == 'apply_async':
    with multiprocessing.Pool(processes=NUMBER_OF_PROCESSES) as pool:
        result_sum = [pool.apply_async(process_chunk, [i, ]).get() for i in map_jobs]
    result_sum = sum(result_sum)
print(f"result_sum is {result_sum}, took {time.time() - s}s")

No cenário acima, imap_unorderedna verdade, parece ter o pior desempenho para mim. Experimente o seu caso e compare-o na máquina em que planeja executá-lo. Leia também sobre Process Pools . Felicidades!