我开始使用 ray 进行分布式机器学习,但我已经遇到了一些问题。 内存使用量一直在增长,直到程序崩溃。虽然我不断地清除列表,但内存不知何故泄漏。知道为什么吗?
我的规范: 操作系统平台和发行版:Ubuntu 16.04 Ray 安装自:二进制 射线版本:0.6.5 Python版本:3.6.8
我已经尝试使用实验队列而不是 DataServer 类,但问题仍然相同。
import numpy as np
import ray
import time
ray.init(redis_max_memory=100000000)
@ray.remote
class Runner():
def __init__(self, dataList):
self.run(dataList)
def run(self,dataList):
while True:
dataList.put.remote(np.ones(10))
@ray.remote
class Optimizer():
def __init__(self, dataList):
self.optimize(dataList)
def optimize(self,dataList):
while True:
dataList.pop.remote()
@ray.remote
class DataServer():
def __init__(self):
self.dataList= []
def put(self,data):
self.dataList.append(data)
def pop(self):
if len(self.dataList) !=0:
return self.dataList.pop()
def get_size(self):
return len(self.dataList)
dataServer = DataServer.remote()
runner = Runner.remote(dataServer)
optimizer1 = Optimizer.remote(dataServer)
optimizer2 = Optimizer.remote(dataServer)
while True:
time.sleep(1)
print(ray.get(dataServer.get_size.remote()))
运行一段时间后,我得到这个错误信息:
请您参考如下方法:
我最近遇到了类似的问题,发现如果您经常放置大型对象(使用 ray.put()),您需要:
手动调整 python 垃圾收集器使用的阈值
定期调用
gc.collect()。
我实现了一个检查已用内存量然后调用垃圾收集器的方法。
问题是默认阈值是基于对象的数量,但是如果你放置大对象,gc 可能永远不会被调用,直到你用完内存。我的实用方法如下:
def auto_garbage_collect(pct=80.0):
"""
auto_garbage_collection - Call the garbage collection if memory used is greater than 80% of total available memory.
This is called to deal with an issue in Ray not freeing up used memory.
pct - Default value of 80%. Amount of memory in use that triggers the garbage collection call.
"""
if psutil.virtual_memory().percent >= pct:
gc.collect()
return
当涉及到通过 ray.put() 推送大对象并耗尽内存时,调用它可以解决问题。
