DASK：为什么CPU使用率突然下降？

本文介绍了DASK：为什么CPU使用率突然下降？的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

我正在为一个模型做一些蒙特卡罗计算，我认为Dask会对此非常有用。在最初的35个小时左右，一切都运行得相当"顺利"(除了风扇发出的噪音给人一种电脑正在起飞的感觉)。每个模型运行大约需要2秒，有8个分区并行运行它。活动监视器显示8个python3.6实例。

然而，计算机已变为"静默"，CPU使用率(如Spyder中所示)几乎不会超过20%。模型运行是按顺序进行的(不是并行的)，每次运行大约需要4秒。这件事发生在今天的某个时候，当时我正在做其他事情。我知道，根据操作顺序的不同，DASK不会同时使用所有内核。然而，在这种情况下，实际上只有一项任务要执行(见下文)，因此可以预期所有分区或多或少同时运行和完成。编辑：整个设置过去已成功运行10.000次模拟，不同之处在于现在需要运行近500.000次模拟。

编辑2：现在它已转换为并行执行2个分区(而不是以前的1个和原来的8个)。似乎有什么东西使其更改了同时处理的分区数。

编辑3：按照建议，我使用dask.distributed.Client跟踪正在发生的事情，并对前400行运行它。下面是它完成后的样子的插图。我很难理解x轴标签，悬停在矩形上显示了大约143秒。

因此，以下是一些问题：

运行其他软件(Chrome、MS Word)和让计算机从Python"收回"一些CPU之间有什么关系吗？
或者相反，这是否与我在某个时候运行了第二个Spyder实例？
甚至，计算机是否可能因某种原因内存不足？但是，该命令不是已经停止运行了吗？
.还有其他可能的解释吗？
是否可以在DASK仍在运行原始命令的情况下，"告诉"它继续努力工作并返回使用所有CPU能力？
是否可以中断执行并保留已执行的计算？我注意到，停止当前命令似乎没有多大作用。
是否可以在运行时查询计算的整体进度？我想知道，在这种缓慢的速度下，还剩下多少模型跑才能知道需要多长时间才能完成。我过去曾尝试使用ProgressBar，但它一直挂在0%上，直到计算结束前几秒钟。

明确地说，上传模型和必要的数据将非常复杂。我还没有创建一个可重复的例子，也是因为我害怕让问题变得更糟(至少目前该模型仍在运行……)因为--正如你现在可能已经知道的--我对可能导致它的原因几乎一无所知，我也不指望任何人能够复制它。我知道这不是最好的做法，并提前道歉。然而，如果任何人以前有过类似的透彻经历和/或有使用DASK的经验，我将非常感激关于可能发生的事情和可能的方法的一些想法。

正在运行：-MacOS 10.13.6(内存：16 GB|处理器：2.5 GHz英特尔酷睿i7|4核)-Spyder 3.3.1-任务0.19.2- pandas 0.23.4

如果有什么需要澄清的，请告诉我

如果您认为它可以相关，脚本的主要思想是：

# Create a pandas DataFrame where each column is a parameter and each row is a possible parameter combination (cartesian product). At the end of each row some columns to store the respective values of some objective functions are pre-allocated too.
# Generate a dask dataframe that is the DataFrame above split into 8 partitions
# Define a function that takes a partition and, for each row:
 # Runs the model with the coefficient values defined in the row
 # Retrieves the values of objective functions
 # Assigns these values to the respective columns of the current row in the partition (columns have been pre-allocated)
 # and then returns the partition with columns for objective functions populated with the calculated values
# map_partitions() to this function in the dask dataframe

有什么想法吗？这显示了该脚本是多么简单：

仪表板：

更新：我采取的方法是：

设置大量分区(npartitions=nCores*200)。这使得想象进展变得容易得多。我不确定设置这么多分区是否是好的做法，但它没有太大的减慢。
没有尝试通过.compute()最终获得一个巨大的 pandas DataFrame，而是将DaskDataFrame写入到Parket(通过这种方式，每个分区都被写入到一个单独的文件)。后来，将所有文件读取到DaskDataFrame中并将其compute发送给 pandas DataFrame并不困难，如果中间出现问题，至少我不会丢失已经成功处理和写入的分区。

这是它在给定点的样子：

DASK

DASK：为什么CPU使用率突然下降？

问题描述

推荐答案