多处理未在双处理器 windows 机器上实现完全 CPU 使用

Question

我正在双处理器 windows 机器上工作，并尝试使用多处理库运行几个独立的 python 进程。当然，我的目标是最大限度地利用两个 CPU 以加快计算时间。我机器的详细信息如下：

OS：Windows 10 Pro for Workstations
内存：524GB
硬盘：三星 SSD PRO 960 (NVMe)
CPU：Xeon Gold 6154（时间 2）

我使用 Python 3.6 执行主脚本，然后使用多处理库生成 72 个独立于内存的工作程序。最初，我机器的所有 72 个内核都以 100% 使用。但是，大约 5-10 分钟后，我的第二个 CPU 上的所有 36 个内核的使用率都降至 0%，而第一个 CPU 上的 36 个内核仍保持在 100%。我不明白为什么会这样。

关于在双处理器 Windows 机器中使用两个 CPU，我是否遗漏了什么？我怎样才能确保我的机器的全部潜力得到利用？作为旁注，我很好奇如果我使用 Linux OS 是否会有所不同？预先感谢任何愿意为此提供帮助的人。

我的 python 主脚本的表示如下：

import pandas as pd
import netCDF4 as nc
from multiprocessing import Pool

WEATHERDATAPATH = "C:/Users/..../weatherdata/weatherfile_%s.nc4"
OUTPUTPATH = "C:/Users/....outputs/result_%s.nc4"

def calculationFunction(year):
    dataset = nc.Dataset(WEATHERDATAPATH%year)

    # Read the data
    data1 = dataset["windspeed"][:]
    data2 = dataset["pressure"][:]
    data3 = dataset["temperature"][:]

    timeindex = nc.num2date(dataset["time"][:], dataset["time"].units)

    # Do computations with the data, primarily relying on NumPy
    data1Mean = data1.mean(axis=1)
    data2Mean = data2.mean(axis=1)
    data3Mean = data3.mean(axis=1)

    # Write result to a file
    result = pd.DataFrame( {"windspeed":data1Mean,
                            "pressure":data2Mean,
                            "temperature":data3Mean,}, 
                          index=timeindex )
    result.to_csv(OUTPUTPATH%year)

if __name__ == '__main__':
    pool = Pool(72)

    results = []
    for year in range(1900,2016): 
        results.append( pool.apply_async(calculationFunction, (year, )))

    for r in results: r.get()

Answer 1

事实证明问题出在 NumPy 上。正如 this solution 所解释的，NumPy 和其他几个类似的包依赖于 BLAS 库进行数值运算。该库使用多线程来提高性能。但是由于多线程是 CPU-bound，这导致 Numpy 执行的许多操作（在我的原始代码中直到中间才开始，正如我已经指出的那样），被强制到第一个 CPU.

解决方法是关闭BLAS库的多线程特性。我不确定这是否会影响性能，但在这种情况下我认为没问题。幸运的是，这很容易做到，我只需要设置一个环境变量，这是我直接在 python 代码中设置的：

import os
os.environ["OPENBLAS_MAIN_FREE"] = "1"

现在机器在我的整个代码中都满负荷运行:)

多处理未在双处理器 windows 机器上实现完全 CPU 使用

multiprocessing not achieving full CPU usage on dual-processor windows machine

python

windows

multiprocessor

pandas

python-multiprocessing