理解并行计算：r future为什么会启动比workers多得多的线程？

发布于

r的future包提供了一种实现多线程并行计算的接口，但有时候在使用时，我发现r启动了比我设定的多得多的计算资源。

简单举一个例子：

代码语言：javascript
复制
data = data.table(
  v1 = rnorm(1e8),
  v2 = sample(LETTERS, size = 1e8, replace = TRUE)
)

library(future.apply)

plan(multisession, workers = 10)

rv = future_lapply(split(data, data$v2), function(x) {


data.table(

mean = mean(x$v1),

sd = sd(x$v1)

)

})

rv

上面我启用了10个线程（workers）对数据进行处理，但实际运行的时候CPU的资源图可以会类似下面这样：

有时候计算很密集的话，系统的全部CPU都会被占满。

在很久之前我就问过future包的作者，讨论在：Issue #343 · HenrikBengtsson/future

R语言大神任坤做了一段非常好的解释：

理解起来就是：

  1. 首先问题不是出在future上面，它只是一个管理器之类的东西，启动并行资源最后收集结果。
  2. 问题的核心在于R很多包或者底层库在你不知道的情况下启动了并行计算，例如data.table。举一个例子就是，如果你指定了4个worker，你只想使用4个CPU核心计算，但如果并行计算的内容函数使用了像data.table包的操作，而默认情况下data.table为了加速计算会使用系统全部的核心数目（假设一共20）。也就是你启动的每一个并行计算内容下都会使用全部的CPU核心数运算（4x20 >> 20），自然系统的资源都被占满了。

如@mxblsdl展示的例子，就可以手动进行设定解决这样的问题，即并行计算的函数开头设定仅只使用单线程（这样就变成了 4x1 = 4）。

#data#table#worker