自定义图形中的 Dask 机会缓存

Question

>我有一个自定义DAG，例如：

dag = {'load': (load, 'myfile.txt'),
       'heavy_comp': (heavy_comp, 'load'),
       'simple_comp_1': (sc_1, 'heavy_comp'),
       'simple_comp_2': (sc_2, 'heavy_comp'),
       'simple_comp_3': (sc_3, 'heavy_comp')}

我希望计算密钥simple_comp_1、simple_comp_2和simple_comp_3，我执行如下：

import dask
from dask.distributed import Client
from dask_yarn import YarnCluster
task_1 = dask.get(dag, 'simple_comp_1')
task_2 = dask.get(dag, 'simple_comp_2')
task_3 = dask.get(dag, 'simple_comp_3')
tasks = [task_1, task_2, task_3]
cluster = YarnCluster()
cluster.scale(3)
client = Client(cluster)
dask.compute(tasks)
cluster.shutdown()

似乎，在没有缓存的情况下，这 3 个键的计算也会导致 heavy_comp 的计算 3 次。由于这是一个繁重的计算，我尝试从这里实现机会主义缓存，如下所示：

from dask.cache import Cache
cache = Cache(2e9)
cache.register()

但是，当我尝试打印正在缓存的结果时，我什么也没得到：

>>> cache.cache.data
[]
>>> cache.cache.heap.heap
{}
>>> cache.cache.nbytes
{}

我什至尝试将缓存大小增加到 6GB，但没有效果。我做错了什么吗？如何让 Dask 缓存密钥heavy_comp的结果？

Answer 1

扩展 MRocklin的答案，并在问题下方的评论中格式化代码。

一次计算整个图形可以按预期工作。 heavy_comp只会执行一次，这是您想要的。请考虑您在空函数定义完成的注释中提供的以下代码：

def load(fn):
    print('load')
    return fn
def sc_1(i):
    print('sc_1')
    return i
def sc_2(i):
    print('sc_2')
    return i
def sc_3(i):
    print('sc_3')
    return i
def heavy_comp(i):
    print('heavy_comp')
    return i
def merge(*args):
    print('merge')
    return args
dag = {'load': (load, 'myfile.txt'), 'heavy_comp': (heavy_comp, 'load'), 'simple_comp_1': (sc_1, 'heavy_comp'), 'simple_comp_2': (sc_2, 'heavy_comp'), 'simple_comp_3': (sc_3, 'heavy_comp'), 'merger_comp': (merge, 'sc_1', 'sc_2', 'sc_3')}
import dask
result = dask.get(dag, 'merger_comp')
print('result:', result)

它输出：

load
heavy_comp
sc_1
sc_2
sc_3
merge
result: ('sc_1', 'sc_2', 'sc_3')

如您所见，"heavy_comp"只打印一次，表明函数heavy_comp只执行过一次。

Answer 2

核心 Dask 库中的机会缓存仅适用于单机调度程序，不适用于分布式调度程序。

但是，如果您只是一次计算整个图形，Dask 将智能地保留中间值。 如果存在您想要保留的值，则还可以查看persist函数。