问题描述
我有一长串 .zarr 数组,我想将它们合并为一个数组并写入磁盘。
我的代码大致如下:
import dask.array
import zarr
import os
local_paths = ['parts/X_00000000.zarr','parts/X_00000001.zarr','parts/X_00000002.zarr','parts/X_00000003.zarr','parts/X_00000004.zarr','parts/X_00000005.zarr',...]
result_path = "testtest"
os.makedirs(result_path)
Xs = [dask.array.from_zarr(zarr.DirectoryStore(p)) for p in local_paths]
X = dask.array.concatenate(Xs,axis=0)
X = X.rechunk({0: 10000,1:-1,2:-1,3:-1})
dask.array.to_zarr(X,zarr.DirectoryStore(result_path))
local_paths
中的每个数组都包含一个 64x64 图像列表。这些列表的长度各不相同。所以第一个的形状可能是 (100,64,3)
,第二个的形状可能是 (200,3)
。
执行这段代码的最后一行,导致我的内存完全耗尽,然后 Jupyter notebook 完全崩溃(没有给我错误消息或异常)。
为了调查问题,我打印了任务图,因此用以下两行替换了最后一行:
k = dask.array.to_zarr(X,zarr.DirectoryStore(result_path),compute=False)
k.visualize()
这个结构一直重复。 dask 获取连接的输出,重新分配数据,然后尝试存储它。请注意由重叠过渡产生的粗黑条。
现在看看这些转换是从哪里来的:
看中间的 create
节点。我假设这是图中创建 zarr DirectoryStore 的部分。 create
节点的前驱节点已过渡到所有存储节点!
这是我猜测为什么 dask 内存不足。它首先尝试解决所有重新分块合并问题,到它应该创建 DirectoryStore 时,已经没有内存了。并且所有 store
节点都无法执行,因为 create
节点是每个节点的前提条件。
我的假设是真的吗?如果是,我该怎么做才能强制 dask 首先创建 DirectoryStore?如果没有,还有什么可能是我内存不足的问题?
更新
当我使用 dask.config.set(scheduler='single-threaded')
时,DirectoryStore(创建节点)的创建不是问题。我刚刚查看了输出目录,已经写入了一些文件。所以一定是任务图本身太大了。
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)