@distributed 似乎有效，函数返回很不稳定

我正在学习如何在 Julia 中进行并行计算。我在用着@sync @distributed在 3x 嵌套的开始处for循环并行化事物（参见底部的代码）。从线路上看println(errCmp[row, col])我可以观察数组的所有元素errCmp被打印出来。例如。

From worker 3:    2.351134946074191e9
From worker 4:    2.3500830193505473e9
From worker 5:    2.3502416529551845e9
From worker 2:    2.3509105625656652e9
From worker 3:    2.3508352842971106e9
From worker 4:    2.3497049296121807e9
From worker 5:    2.35048428351797e9
From worker 2:    2.350742582031195e9
From worker 3:    2.350616273660934e9
From worker 4:    2.349709546599313e9

然而，当函数返回时，errCmp是我在开始时预先分配的零数组。

我是否错过了一些结束语来收集所有东西？

function optimizeDragCalc(df::DataFrame)
    paramGrid = [cd*AoM for cd = range(1e-3, stop = 0.01, length = 50), AoM = range(2e-4, stop = 0.0015, length = 50)]
    errCmp    = zeros(size(paramGrid))
    # totalSize = size(paramGrid, 1) * size(paramGrid, 2) * size(df.time, 1)
    @sync @distributed for row = 1:size(paramGrid, 1)
        for col = 1:size(paramGrid, 2)
            # Run the propagation here
            BC = 1/paramGrid[row, col]
            slns, _ = propWholeTraj(df, BC)
            for time = 1:size(df.time, 1)
                errDF = propError(slns[time], df, time)
                errCmp[row, col] += sum(errDF.totalErr)
            end # time
            # println("row: ", row, " of ",size(paramGrid, 1),"   col: ", col, " of ", size(paramGrid, 2))
            println(errCmp[row, col])
        end # col
    end # row
    # plot(heatmap(z = errCmp))
    return errCmp, paramGrid
end
errCmp, paramGrid = @time optimizeDragCalc(df)

您没有提供最小的工作示例，但我想这可能很难。这是我的 MWE。让我们假设我们想要使用Distributed计算总和Array的专栏：

using Distributed
addprocs(2)
@everywhere using StatsBase
data = rand(1000,2000)
res = zeros(2000)
@sync @distributed for col = 1:size(data)[2]
    res[col] = StatsBase.mean(data[:,col])
    # does not work!
    # ... because data is created locally and never returned!
end

为了更正上面的代码，您需要提供一个聚合器函数（我故意简化示例 - 可以进一步优化）。

using Distributed
addprocs(2)
@everywhere using Distributed,StatsBase
data = rand(1000,2000)    
@everywhere function t2(d1,d2)
    append!(d1,d2)
    d1
end
res = @sync @distributed (t2) for col = 1:size(data)[2]
    [(myid(),col, StatsBase.mean(data[:,col]))]
end

现在让我们看看输出。我们可以看到一些值是在worker上计算的2而其他人则在工人身上3:

julia> res
2000-element Array{Tuple{Int64,Int64,Float64},1}:
 (2, 1, 0.49703681326230276)
 (2, 2, 0.5035341367791002)
 (2, 3, 0.5050607022354537)
 ⋮
 (3, 1998, 0.4975699181976122)
 (3, 1999, 0.5009498778934444)
 (3, 2000, 0.499671315490524)

进一步可能的改进/修改：

• use @spawnat在远程进程生成值（而不是主进程并发送它们）
• use SharedArray- 这允许在工作人员之间自动分配数据。根据我的经验，需要非常仔细的编程。
• use ParallelDataTransfer.jl在工作人员之间发送数据。非常容易使用，但对于大量消息来说效率不高。
• 始终考虑 Julia 线程机制（在某些情况下，它使生活更轻松 - 再次取决于问题）