Cuando se ejecuta una gran cantidad de tareas (con parámetros grandes) usando Pool.apply_async, los procesos se asignan y pasan a un estado de espera, y no hay límite para la cantidad de procesos en espera. Esto puede terminar por el consumo de toda la memoria, como en el siguiente ejemplo:Multiproceso de Python: cómo limitar el número de procesos en espera?
import multiprocessing
import numpy as np
def f(a,b):
return np.linalg.solve(a,b)
def test():
p = multiprocessing.Pool()
for _ in range(1000):
p.apply_async(f, (np.random.rand(1000,1000),np.random.rand(1000)))
p.close()
p.join()
if __name__ == '__main__':
test()
Estoy buscando una manera de limitar la cola de espera, de tal manera que sólo hay un número limitado de procesos en espera, y Pool.apply_async está bloqueado mientras la cola de espera está llena.
ejemplo Nice (1). – mgilson