Python multiprocessing.pool与类目标函数和神经进化的交互

Question

警告，这将很长，因为我想尽可能具体。

---

确切问题：这是一个多处理问题。我已经确保我的类都按照以前的实验中的构建/预期运行。

编辑：事先说线程。

---

当我在线程环境中运行我的问题的玩具示例时，一切都会运行;但是，当我过渡到我真正的问题时，代码会中断。具体来说，我收到一个TypeError: can't pickle _thread.lock objects错误。全栈位于底部。

我在这里的线程需求与我改编代码的示例略有不同 - https://github.com/CMA-ES/pycma/issues/31。在此示例中，我们有一个可以由每个评估独立调用的适应度函数，并且没有一个函数调用可以相互交互。然而，在我的实际问题中，我们试图使用遗传算法优化神经网络权重。GA 将建议潜在的权重，我们需要在我们的环境中评估这些 NN 控制器权重。在单线程情况下，我们可以只有一个环境，在其中我们使用简单的 for 循环来评估权重：[nn.evaluate(weights) for weights in potential_candidates]，找到表现最好的个体，并在下一轮突变中使用这些权重。但是，我们不能简单地在线程环境中进行一次模拟。

因此，我不是传入单个函数来评估，而是传入一个函数列表(每个个体一个，其中环境相同，但我们已经分叉了流程，以便通信流不会在个人之间交互。

还有一件事需要注意： 我正在使用整洁的并行评估数据结构

从 neat.parallel import ParallelEvaluator # 使用多处理。池

玩具示例代码：

NPARAMS = nn.flat_init_weights.shape[0]    # make this a 1000-dimensional problem.
NPOPULATION = 5                            # use population size of 5.
MAX_ITERATION = 100                        # run each solver for 100 function calls.
import time
from neat.parallel import ParallelEvaluator  # uses multiprocessing.Pool
import cma
def fitness(x):
time.sleep(0.1)
return sum(x**2)
# # serial evaluation of all solutions
# def serial_evals(X, f=fitness, args=()):
#     return [f(x, *args) for x in X]
# parallel evaluation of all solutions
def _evaluate2(self, weights, *args):
"""redefine evaluate without the dependencies on neat-internal data structures
"""
jobs = []
for i, w in enumerate(weights):
jobs.append(self.pool.apply_async(self.eval_function[i], (w, ) + args))
return [job.get() for job in jobs]
ParallelEvaluator.evaluate2 = _evaluate2
parallel_eval = ParallelEvaluator(12, [fitness]*NPOPULATION)
# time both
for eval_all in [parallel_eval.evaluate2]:
es = cma.CMAEvolutionStrategy(NPARAMS * [1], 1, {'maxiter': MAX_ITERATION, 
'popsize': NPOPULATION})
es.disp_annotation()
while not es.stop():
X = es.ask()
es.tell(X, eval_all(X))
es.disp()

必要的背景：

当我从玩具示例切换到我的真实代码时，上述操作失败了。

我的课程是：

LevelGenerator (simple GA class that implements mutate, etc)
GridGame (OpenAI wrapper; launches a Java server in which to run the simulation; 
handles all communication between the Agent and the environment)
Agent    (neural-network class, has an evaluate fn which uses the NN to play a single rollout)
Objective (handles serializing/de-serializing weights: numpy <--> torch; launching the evaluate function)
# The classes get composed to get the necessary behavior:
env   = GridGame(Generator)
agent = NNAgent(env)                # NNAgent is a subclass of (Random) Agent)
obj   = PyTorchObjective(agent)
# My code normally all interacts like this in the single-threaded case:
def test_solver(solver): # Solver: CMA-ES, Differential Evolution, EvolutionStrategy, etc
history = []
for j in range(MAX_ITERATION):
solutions = solver.ask() #2d-numpy array. (POPSIZE x NPARAMS)
fitness_list = np.zeros(solver.popsize)
for i in range(solver.popsize):
fitness_list[i] = obj.function(solutions[i], len(solutions[i]))
solver.tell(fitness_list)
result = solver.result() # first element is the best solution, second element is the best fitness
history.append(result[1])
scores[j] = fitness_list
return history, result

所以，当我尝试运行时：

NPARAMS = nn.flat_init_weights.shape[0]        
NPOPULATION = 5                                
MAX_ITERATION = 100                            
_x = NNAgent(GridGame(Generator))
gyms = [_x.mutate(0.0) for _ in range(NPOPULATION)]
objs = [PyTorchObjective(a) for a in gyms]
def evaluate(objective, weights):
return objective.fun(weights, len(weights))
import time
from neat.parallel import ParallelEvaluator  # uses multiprocessing.Pool
import cma
def fitness(agent):
return agent.evalute()
# # serial evaluation of all solutions
# def serial_evals(X, f=fitness, args=()):
#     return [f(x, *args) for x in X]
# parallel evaluation of all solutions
def _evaluate2(self, X, *args):
"""redefine evaluate without the dependencies on neat-internal data structures
"""
jobs = []
for i, x in enumerate(X):
jobs.append(self.pool.apply_async(self.eval_function[i], (x, ) + args))
return [job.get() for job in jobs]
ParallelEvaluator.evaluate2 = _evaluate2
parallel_eval = ParallelEvaluator(12, [obj.fun for obj in objs])
# obj.fun takes in the candidate weights, loads them into the NN, and then evaluates the NN in the environment.
# time both
for eval_all in [parallel_eval.evaluate2]:
es = cma.CMAEvolutionStrategy(NPARAMS * [1], 1, {'maxiter': MAX_ITERATION, 
'popsize': NPOPULATION})
es.disp_annotation()
while not es.stop():
X = es.ask()
es.tell(X, eval_all(X, NPARAMS))
es.disp()

我收到以下错误：

TypeError                            Traceback (most recent call last)
<ipython-input-57-3e6b7bf6f83a> in <module>
6     while not es.stop():
7         X = es.ask()
----> 8         es.tell(X, eval_all(X, NPARAMS))
9     es.disp()
<ipython-input-55-2182743d6306> in _evaluate2(self, X, *args)
14         jobs.append(self.pool.apply_async(self.eval_function[i], (x, ) + args))
15 
---> 16     return [job.get() for job in jobs]
<ipython-input-55-2182743d6306> in <listcomp>(.0)
14         jobs.append(self.pool.apply_async(self.eval_function[i], (x, ) + args))
15 
---> 16     return [job.get() for job in jobs]
~/miniconda3/envs/thesis/lib/python3.7/multiprocessing/pool.py in get(self, timeout)
655             return self._value
656         else:
--> 657             raise self._value
658 
659     def _set(self, i, obj):
~/miniconda3/envs/thesis/lib/python3.7/multiprocessing/pool.py in _handle_tasks(taskqueue, put, outqueue, pool, cache)
429                         break
430                     try:
--> 431                         put(task)
432                     except Exception as e:
433                         job, idx = task[:2]
~/miniconda3/envs/thesis/lib/python3.7/multiprocessing/connection.py in send(self, obj)
204         self._check_closed()
205         self._check_writable()
--> 206         self._send_bytes(_ForkingPickler.dumps(obj))
207 
208     def recv_bytes(self, maxlength=None):
~/miniconda3/envs/thesis/lib/python3.7/multiprocessing/reduction.py in dumps(cls, obj, protocol)
49     def dumps(cls, obj, protocol=None):
50         buf = io.BytesIO()
---> 51         cls(buf, protocol).dump(obj)
52         return buf.getbuffer()
53 
TypeError: can't pickle _thread.lock objects

我还在这里读到，这可能是由于这是一个类函数 - TypeError：不能腌制_thread.lock对象 - 所以我创建了全局范围的适应度函数def fitness(agent): return agent.evalute()，但这也没有用。

我认为这个错误可能来自这样一个事实，即最初我在 PyTorchObjective 类中将评估函数作为 lambda 函数，但当我更改它时它仍然损坏。

任何见解将不胜感激，并感谢您阅读这堵巨大的文字墙。

Answer 1

您没有使用多个线程。您正在使用多个进程。

您传递给apply_async的所有参数，包括函数本身，都在后台序列化(picked(，并通过 IPC 通道传递给工作进程(有关详细信息，请阅读multiprocessing文档(。因此，您不能传递任何绑定到本质上是流程本地的事物的实体。这包括大多数同步基元，因为它们必须使用锁来执行原子操作。

每当发生这种情况时(如此错误消息上的许多其他问题所示(，您可能试图过于聪明，并将已内置并行化逻辑的对象传递给并行化框架。

---

如果你想用这样的"并行化对象"创建"多级并行化"，你会更好：

• 正确使用该对象的并行化机制，而不用担心多个级别：无论如何，您一次做的事情都不能超过您的内核;或者
• 在工作进程内创建和使用这些"并行对象"
  • 但是您可能会在这里遇到multiprocessing限制，因为它的工作进程被故意禁止生成自己的池。
    • 您可以让工作人员向工作队列添加额外的项目，但也可能会遇到Queue限制。
  • 因此，对于这种情况，可能建议使用更高级的第三方分布式工作队列解决方案。