@distributed 似乎有效，函数 return 不稳定

Question

我正在学习如何在 Julia 中进行并行计算。我在 3x 嵌套 for 循环的开头使用 @sync @distributed 来并行化事物（请参阅底部的代码）。从行 println(errCmp[row, col]) 我可以看到数组 errCmp 的所有元素都被打印出来了。例如

From worker 3:    2.351134946074191e9
From worker 4:    2.3500830193505473e9
From worker 5:    2.3502416529551845e9
From worker 2:    2.3509105625656652e9
From worker 3:    2.3508352842971106e9
From worker 4:    2.3497049296121807e9
From worker 5:    2.35048428351797e9
From worker 2:    2.350742582031195e9
From worker 3:    2.350616273660934e9
From worker 4:    2.349709546599313e9

然而，当函数returns时，errCmp是我在开始时预先分配的零数组。

我是不是错过了一些收集所有东西的结束语？

function optimizeDragCalc(df::DataFrame)
    paramGrid = [cd*AoM for cd = range(1e-3, stop = 0.01, length = 50), AoM = range(2e-4, stop = 0.0015, length = 50)]
    errCmp    = zeros(size(paramGrid))
    # totalSize = size(paramGrid, 1) * size(paramGrid, 2) * size(df.time, 1)
    @sync @distributed for row = 1:size(paramGrid, 1)
        for col = 1:size(paramGrid, 2)
            # Run the propagation here
            BC = 1/paramGrid[row, col]
            slns, _ = propWholeTraj(df, BC)
            for time = 1:size(df.time, 1)
                errDF = propError(slns[time], df, time)
                errCmp[row, col] += sum(errDF.totalErr)
            end # time
            # println("row: ", row, " of ",size(paramGrid, 1),"   col: ", col, " of ", size(paramGrid, 2))
            println(errCmp[row, col])
        end # col
    end # row
    # plot(heatmap(z = errCmp))
    return errCmp, paramGrid
end
errCmp, paramGrid = @time optimizeDragCalc(df)

Answer 1

您没有提供最小的工作示例，但我想这可能很难。所以这是我的 MWE。假设我们要使用 Distributed 来计算 Array 的列的总和：

using Distributed
addprocs(2)
@everywhere using StatsBase
data = rand(1000,2000)
res = zeros(2000)
@sync @distributed for col = 1:size(data)[2]
    res[col] = StatsBase.mean(data[:,col])
    # does not work!
    # ... because data is created locally and never returned!
end

为了更正上面的代码，您需要提供一个聚合器函数（我有意简化示例 - 可以进一步优化）。

using Distributed
addprocs(2)
@everywhere using Distributed,StatsBase
data = rand(1000,2000)    
@everywhere function t2(d1,d2)
    append!(d1,d2)
    d1
end
res = @sync @distributed (t2) for col = 1:size(data)[2]
    [(myid(),col, StatsBase.mean(data[:,col]))]
end

现在让我们看看输出。我们可以看到一些值是在 worker 2 上计算的，而其他值是在 worker 3:

上计算的

julia> res
2000-element Array{Tuple{Int64,Int64,Float64},1}:
 (2, 1, 0.49703681326230276)
 (2, 2, 0.5035341367791002)
 (2, 3, 0.5050607022354537)
 ⋮
 (3, 1998, 0.4975699181976122)
 (3, 1999, 0.5009498778934444)
 (3, 2000, 0.499671315490524)

进一步可能improvements/modifications:

使用 @spawnat 在远程进程中生成值（而不是主进程并发送它们）
use SharedArray - 这允许在工作人员之间自动分发数据。根据我的经验，需要非常仔细的编程。
使用ParallelDataTransfer.jl在工人之间发送数据。非常易于使用，对于大量消息效率不高。
始终考虑 Julia 线程机制（在某些情况下它使生活更轻松 - 再次取决于问题）

@distributed 似乎有效，函数 return 不稳定

@distributed seems to work, function return is wonky

julia

distributed