MEDCoupling, multiprocessing

Cet exercice fait la supposition de Numpy Scipy sont correctement maîtrisés, sinon voir MEDCoupling, NumPy et SciPy. On va faire simuler un traitement un peu long (ici l’interpolation d’un maillage de 64000 cells avec un autre de 64000 cells). On va faire le traitement d’abord en séquentiel puis en parallèle pour exploiter les coeurs de notre CPU. Nous allons utiliser le module multiprocessing pour cela.

Début de l’implémentation

Pour commencer l’exercice importer le module Python medcoupling, MEDCouplingRemapper, numpy, scipy, multiprocessing et datetime pour chronométrer :

import medcoupling as mc
import MEDCouplingRemapper as mr
import multiprocessing as mp
from datetime import datetime
from scipy.sparse import csr_matrix

Créer un maillage cartésien régulier 3D avec 40 cells en X, Y et Z

Créons un maillage cartésien 3D m de pas régulier entre 0. et 1. en X, Y et Z :

nbCells=40
arr=mc.DataArrayDouble(nbCells+1) ; arr.iota() ; arr/=nbCells
m=mc.MEDCouplingCMesh() ; m.setCoords(arr,arr,arr)

Traduisons m en non structuré pour que le calcul soit plus long :

m=m.buildUnstructured()

Créer une copie m2 de m translatée de la moitié du pas en X, Y et Z

m2=m.deepCopy()
t=mc.DataArrayDouble(3)
t[:]=1/(2*float(nbCells))
m2.translate(t.getValues())

Calculer séquentiellement la matrice d’interpolation M de la projection entre m et m2 en P0P0

m sera considéré comme le maillage source et m2 sera considéré comme le maillage cible. Profitons en pour chronométrer le temps necessaire pour le traitement séquentiel. Utilisons MEDCouplingRemapper pour cela.

remap=mr.MEDCouplingRemapper()
strt=datetime.now()
assert(remap.prepare(m,m2,"P0P0")==1)
print("time in sequential : %s"%(str(datetime.now()-strt)))

Stockons la sparse matrix scipy dans matSeq.

matSeq=remap.getCrudeCSRMatrix()

Calculer cette même matrice M en parallèle avec multiprocessing.

Commencons par récupérer le nombre de coeur de notre machine.

nbProc=mp.cpu_count()

L’idée est de faire une méthode work prenant un tuple de longueur 2. Le premier élément du tuple est la partie du maillage m2 considérée. Le 2eme élément donne la correspondance entre les cells id de m2Part les cells id de m2.

L’idée est d’interpoler m avec m2Part.

On récupèrera ensuite la matrice sparse myMat issue de m avec m2Part. Ensuite l’idée est de générer une matrice sparse mat2 à partir de myMat avec les ids globaux de m2.

def work(inp):
    m2Part,partToGlob=inp
    myRemap=mr.MEDCouplingRemapper()
    assert(myRemap.prepare(m,m2Part,"P0P0")==1)
    myMat=myRemap.getCrudeCSRMatrix()
    indptrnew=mc.DataArrayInt(m2.getNumberOfCells())
    indptrnew.fillWithZero()
    d=mc.DataArrayInt(myMat.indptr).deltaShiftIndex()
    indptrnew[partToGlob]=d
    indptrnew.computeOffsetsFull()
    mat2=csr_matrix( (myMat.data,myMat.indices,indptrnew.toNumPyArray()), shape=(m2.getNumberOfCells(),m.getNumberOfCells()))
    return mat2

Il s’agit désormais de faire la liste des inputs à donner aux nbProc instances de work qui seront exécutés en parallèle. Appelons cette liste python workToDo qui sera de longueur nbProc. On peut se faire aider de mc.DataArray.GetSlice.

workToDo=[]
for i in list(range(nbProc)):
      s=mc.DataArray.GetSlice(slice(0,m2.getNumberOfCells(),1),i,nbProc)
      part=m2[s]
      partToGlob=mc.DataArrayInt.Range(s.start,s.stop,s.step)
      workToDo.append((part,partToGlob))
      pass

On est maintenant prêt pour faire travailler chacun des coeurs indépendamment. Pour ce faire, on crée un mp.Pool et on assigne à chaque worker le travail work avec autant de worker que de coeurs. Et chronométrons le tout !

strt=datetime.now()
pool = mp.Pool()
asyncResult = pool.map_async(work,workToDo)
subMatrices = asyncResult.get()
print("time in parallel (x%d) : %s"%(nbProc,str(datetime.now()-strt)))

Note

A noter la magie ! On a transféré entre le process maitre et les process esclave sans même s’en rendre compte les maillages et les DataArrayInt contenus dans workToDo ! Merci à la pickelisation des objets MEDCoupling :)

Vérfication

Vérifions que les matrices sont les mêmes ! Sommons subMatrices (matPar) et regardons le nombre de non zéros de la différence entre la matPar et matSeq.

matPar = sum(subMatrices)
matDelta=matSeq-matPar
assert(matDelta.nnz==0)