파이썬 딥러닝 속도 올리는 방법

파이썬(Python)은 편의성과 프로그래머 친화성으로 유명하지만 속도 측면에서는 크게 내세울 것이 없는 프로그래밍 언어다. 파이썬의 속도 제약은 기본 구현인 c파이썬(cPython)이 싱글 스레드라는 점에도 일부 기인한다. 즉, c파이썬은 한번에 2개 이상의 하드웨어 스레드를 사용하지 않는다.

파이썬에 내장된 threading 모듈을 사용해 속도를 높일 수 있지만, threading은 병렬성(parallelism)이 아니라 동시성(concurrency)을 제공할 뿐이다. CPU에 종속되지 않는 여러 작업을 실행하는 용도로는 효과적이지만 각각 전체 CPU를 요구하는 여러 작업의 속도를 높이는 데는 아무 효과가 없다.

그러나 파이썬에도 여러 CPU에 걸쳐 파이썬 워크로드를 실행하기 위한 본연의 방법이 포함돼 있다. multiprocessing 모듈은 각각 별도의 코어에서 여러 개의 파이썬 인터프리터를 구동하며 여러 코어에 걸쳐 작업을 분할하기 위한 프리미티브를 제공한다. 그러나 multiprocessing으로도 충분하지 않을 때가 있다.

여러 코어뿐만 아니라 여러 머신으로 작업을 분산해야 하는 경우도 있는데, 이런 경우 유용한 6개 파이썬 라이브러리와 프레임워크가 있다. 이번 기사에서 소개하는 파이썬 툴킷 6개는 모두 기존 파이썬 애플리케이션에서 여러 코어, 여러 머신으로 작업을 분산시킬 수 있다.

레이(Ray)

미국 캘리포니아 버클리 대학 연구팀이 개발한 레이는 다수의 분산 머신러닝 라이브러리를 보강한다. 레이의 원래 사용사례는 머신러닝이지만 그 외의 용도로도 사용할 수 있다. 레이를 사용하면 많은 파이썬 작업을 분할해 여러 시스템으로 분산할 수 있다.

레이의 구문은 최소화하기 때문에 기존 앱의 많은 부분을 재작업하지 않고도 병렬화가 가능하다. @ray.remote 데코레이터는 해당 함수를 레이 클러스터의 가용 노드 전반으로 분산할 수 있으며, 사용할 CPU 또는 GPU의 수를 나타내는 매개변수를 옵션으로 지정할 수 있다. 각 분산 함수의 결과는 파이썬 객체로 반환되므로 관리 및 저장이 쉽고, 따라서 여러 노드 또는 노드 내의 복사 분량이 최소한으로 유지된다. 이 마지막 특징은 예를 들어 넘파이(Numby) 배열을 다룰 때 유용하다.

레이에는 필요에 따라 로컬 하드웨어 또는 주요 클라우드 컴퓨팅 플랫폼에서 자동으로 노드를 가동할 수 있는 자체 클러스터 관리자도 내장돼 있다.

다스크(Dask)

겉보기에는 다스크도 레이와 거의 비슷해 보인다. 레이와 마찬가지로 파이썬에서 분산 병렬 컴퓨팅을 사용하기 위한 라이브러리이며 자체 작업 스케줄링 시스템이 있고 넘파이(NumPy)와 같은 파이썬 데이터 프레임워크를 인식하며 단일 머신에서 다수의 머신으로 확장이 가능하다.

다스크의 기본적인 작동 방식은 두 가지다. 첫 번째는 병렬화된 데이터 구조다. 기본적으로 이 데이터 구조는 넘파이 배열, 목록 또는 판다스 데이터프레임(Pandas DataFrame)의 다스크 자체 버전이다. 이와 같은 데이터 구조의 다스크 버전을 기본값으로 바꿔 넣으면 다스크는 자동으로 여러 클러스터에 걸쳐 실행을 분산한다. 일반적으로 가져오기의 이름을 변경하는 정도의 작업만 필요하지만 완전히 작동하도록 하려면 다시 써야하는 경우도 종종 있다.

두 번째 방법은 함수 데코레이터를 포함한 다스크의 저수준 병렬화 메커니즘을 사용하는 것이다. 이 메커니즘은 여러 노드로 작업을 분배하고 결과를 동기적으로 반환하거나('즉각' 모드) 비동기적으로 반환한다('지연' 모드). 필요에 따라 두 모드를 혼합할 수도 있다.

다스크와 레이의 한 가지 중요한 차이점은 스케줄링 메커니즘이다. 다스크는 클러스터를 위한 모든 작업을 처리하는 중앙화된 스케줄러를 사용한다. 레이는 분산형이다. 즉, 각 머신이 자체 스케줄러를 실행하므로 예약된 작업에서 발생하는 문제는 전체 클러스터가 아닌 개별 머신 수준에서 처리된다.

또한 다스크는 '액터(actor)'라는, 아직 실험적인 고급 기능을 제공한다. 액터는 다른 다스크 노드의 작업을 가리키는 객체다. 많은 로컬 상태가 필요한 작업을 본래의 위치에서 실행하고 다른 노드에서 원격으로 이 작업을 호출하면 된다. 따라서 작업의 상태를 복제할 필요가 없다. 레이에는 더 정교한 작업 분산을 지원하기 위한 다스크의 액터 모델과 같은 기능이 없다.

디스파이(Dispy)

디스파이를 사용하면 전체 파이썬 프로그램 또는 개별 함수를 머신 클러스터로 분산해 병렬 처리할 수 있다. 디스파이는 네트워크 통신에 플랫폼별 네이티브 메커니즘을 사용해 빠른 속도와 효율성을 유지하므로 리눅스, 맥OS, 윈도우 머신에서 모두 동등하게 잘 작동한다.

디스파이 구문은 개발자가 클러스터를 명시적으로 생성하고 작업을 클러스터에 제출한 다음 결과를 불러온다는 점에서 multiprocessing과 비슷하다. 디스파이에서 작업을 실행하려면 약간의 수정 작업이 더 필요할 수 있지만, 대신 작업이 제출되고 반환되는 방식을 정밀하게 제어할 수 있다. 예를 들어 잠정적인 결과 또는 부분적으로 완료된 결과를 반환하고, 작업 분산 프로세스의 일부로 파일을 전송하고, 데이터를 전송할 때 SSL 암호화를 사용할 수 있다.

판다랄 렐(Pandaral·lel)

판다랄 렐은 이름에서 알 수 있듯이 판다스(Pandas) 작업을 여러 노드로 병렬화한다. 단점은 판다스에서만 사용 가능하다는 점이다. 그러나 현재 판다스를 사용 중이고, 단일 컴퓨터의 여러 코어에 걸쳐 판다스 작업을 가속화할 방법이 필요하다면 판다랄 렐로 정확히 그 목적을 달성할 수 있다.

판다랄 렐은 윈도우에서 실행은 되지만 리눅스용 윈도우 하위 시스템에서 실행된 파이썬 세션에서만 실행된다. 맥OS와 리눅스 사용자는 판다랄 렐을 그대로 실행할 수 있다.

아이파이패러렐(Ipyparallel)

아이파이패러렐 역시 multiprocessing과 작업 분산 시스템을 전문으로 하며 클러스터 전반에서 주피터 노트북(Jupyter Notebook) 코드 실행을 병렬화하는 데 특화돼 있다. 이미 주피터를 사용 중인 프로젝트 및 팀에서는 즉시 아이파이패러렐을 사용할 수 있다.

아이파이패러렐은 코드를 병렬화하기 위한 많은 접근 방법을 지원한다. 간단하게는 모든 함수를 시퀀스에 적용하고 가용한 노드로 고르게 작업을 분할하는 map이 있다. 더 복잡한 작업의 경우 항상 원격으로 또는 병렬로 실행되도록 특정 함수를 데코레이션할 수 있다.

주피터 노트북은 노트북 환경에서만 가능한 작업을 위한 '매직 명령(magic commands)'을 지원한다. 아이파이패러렐은 몇 가지 자체 매직 명령을 추가한다. 예를 들어 모든 파이썬 문 앞에 %px를 붙여 자동으로 병렬화할 수 있다.

잡립(Joblib)

잡립의 주 목표는 두 가지다. 작업을 병렬로 실행하기와 변경사항이 없는 경우 결과를 다시 계산하지 않기다. 이러한 효율성 덕분에 잡립은 재현 가능한 결과가 최상의 가치인 과학 컴퓨팅에 적합하다. 잡립 문서에서 기능 사용 방법에 관한 풍부한 예제를 볼 수 있다.

작업을 병렬화하기 위한 잡립 구문은 간단해서, 데코레이터 하나로 여러 프로세서로 작업을 분할하거나 결과를 캐시할 수 있다. 병렬 작업은 스레드 또는 프로세스를 사용할 수 있다.

잡립에는 계산 작업에 의해 생성되는 파이썬 객체를 위한 투명한 디스크 캐시가 포함된다. 이 캐시는 앞서 언급했듯이 잡립에서 작업의 반복을 피하는 데 도움이 될 뿐만 아니라 장기 실행 작업을 유예하고 재개하는 데 사용하거나 충돌 후 작업이 멈춘 부분부터 이어서 하는 데도 사용할 수 있다. 데이터의 영역은 numpy.memmap을 사용해 같은 시스템의 프로세스 간에 메모리 내에서 공유가 가능하다.

잡립에는 여러 개별 컴퓨터로 작업을 분산하는 기능이 없다. 이론적으로는 잡립의 파이프라인을 사용해 가능하긴 하지만 기본적으로 이 기능을 지원하는 다른 프레임워크를 사용하는 편이 더 쉬울 것이다.

2021.03.05 Serdar Yegulalp  |  InfoWorld

파이썬(Python)은 세련되고 편리하지만 파이썬을 사용하는 누구나 알고 있듯이 CPU 집약적인 작업에서 C, 자바 또는 자바스크립트보다 속도가 훨씬 더 느리다. 그러나 느린 속도를 이유로 파이썬을 외면하기에는 다른 많은 장점이 아깝다. 그래서 이 언어의 성능을 근본적으로 높이기 위한 여러 프로젝트가 등장했다.

동일한 하드웨어에서 파이썬의 속도를 더 높이는 방법은 크게 2가지인데, 각각 장단점이 있다.

• 파이썬에 사용되는 기본 런타임(C파이썬 구현)의 대안을 만드는 방법이다. 큰 작업이지만 결과적으로 C파이썬을 대체할 수 있다.
• 기존 파이썬 코드를 다시 써서 특정 속도 최적화 기능을 활용할 수 있다. 즉, 프로그래머 측에서 더 많은 작업이 필요하지만 런타임을 변경할 필요는 없다.

지금부터 파이썬 성능을 높이는 6가지 방법을 알아보자. 각 방법은 앞의 2가지 접근 방법 가운데 하나 또는 두 가지의 조합을 사용한다.

파이파이(PyPy)

C파이썬의 대안 중에서는 파이파이가 단연 가장 눈에 띈다(예를 들어 쿠오라(Quora)는 프로덕션에서 파이파이를 사용함). 파이파이는 기존 파이썬 코드와의 호환성도 뛰어나므로 기본 런타임이 될 가능성도 가장 높다.

파이파이는 언어의 속도를 높이기 위해 구글 크롬의 V8 자바스크립트 엔진과 마찬가지로 JIT(Just-In-Time) 컴파일을 사용한다. 과거에는 파이썬 3보다 파이썬 2에 더 친화적이었지만 최신 버전의 파이파이는 파이썬 2.7 외에 파이썬 3.6과 3.7도 지원한다.

파이파이는 넘파이(NumPy)와 같이 파이썬 성능을 높이는 데 사용되는 일반적인 라이브러리와의 통합이 오랫동안 원활하지 않았다. 그러나 최근 릴리스에서는 이 문제가 많이 해결됐다.

파이파이의 또 다른 제약은 제대로 된 성능 향상을 얻기 위해서는 어느 정도 워밍업 시간이 필요하므로 서버와 같은 장기 실행 프로그램에는 적합하지만 단발성 스크립트에서는 효과가 떨어진다는 점이다. 또한 실행 파일의 크기가 C파이썬에 비해 훨씬 더 크다.

피스톤(Pyston)

피스톤 프로젝트는 드롭박스(Dropbox)에서 처음 시작됐지만 이후 다시 작성되어 재탄생했다. 파이파이와 마찬가지로 JIT를 사용해 파이썬 속도를 높인다. 첫 버전은 LLVM 컴파일러 인프라를 사용했으나 다시 출범한 프로젝트에서는 LLVM을 버리고 오버헤드가 훨씬 낮은 자체 제작 어셈블러가 도입됐다.

C파이썬 코드를 프로젝트의 기반으로 사용하므로 기존 파이썬과의 기본적인 호환성이 높다. 피스톤의 속도 향상 폭은 아직 크진 않지만(평균 약 20% 더 빠름) 아직 초기 단계의 프로젝트이므로 발전의 여지가 많다.

누이트카(Nuitka)

파이썬 런타임을 대체하는 방법 대신 파이썬 런타임을 아예 버리고 기본 속도가 빠른 언어로 파이썬을 트랜스파일하는 방법을 택한 경우도 있다. 파이썬을 C++ 코드로 변환하는 누이트카가 대표적인 예다.

누이트카는 C파이썬 런타임에서 필요한 모든 파일을 자동으로 패키징할 수도 있다. 누이트카의 장기적인 계획에 따르면, 향후 누이트카로 컴파일된 파이썬은 C 코드와 직접 연동해서 속도를 더 높일 수 있다.

사이썬(Cython)

사이썬(파이썬용 C 확장)은 파이썬의 확대집합으로, C로 컴파일되고 C/C++ 코드와 연동한다. C 또는 C++ 코드를 래핑해서 손쉬운 파이썬 인터페이스를 제공하는 파이썬용 C 확장을 작성하기 위한 한 가지 방법이다.

그러나 사이썬은 파이썬 함수, 그 중에서도 주로 계산을 수행하는 함수의 속도를 높이는 데도 사용할 수 있다. 단점은 독자적인 구문을 사용하기 때문에 기존 코드의 이식이 완전히 자동화되지 않는다는 점이다.

사이썬은 기본 파이썬에는 없는 속도 측면의 여러 이점을 제공하는데, C 자체와 같은 가변 형식 지정도 이 가운데 하나다. 사이킷-런(Scikit-learn)을 비롯한 여러 파이썬용 과학 패키지는 이와 같은 사이썬 기능을 이용해 가볍고 빠르게 연산을 수행한다.

넘바(Numba)

넘바는 앞서 언급한 두 접근법을 조합한다. 사이썬과 마찬가지로 파이썬 언어에서 가장 필요한 부분(일반적으로 CPU 중심의 계산)의 속도를 높이며, 파이파이 및 피스톤과 마찬가지로 JIT 컴파일을 사용한다.

넘바로 컴파일된 함수는 데코레이터로 지정이 가능하며, 넘바는 넘파이와 함께 작동해서 발견된 함수의 속도를 높인다. 실제로 넘바는 넘파이와 같이 이미 친숙한 라이브러리와 함께 사용할 때 가장 효과적이다.

typed_python

typed_python은 프라이오리 인베스트먼트(A Priori Investments)의 후원을 받는 초기 프로젝트로, 앞서 설명한 방법과는 다른 접근 방식을 취한다. typed_python은 강하게 형식이 지정되어 보유할 수 있는 형식이 제한되는 파이썬용 데이터 구조 모음을 제공한다.

  예를 들어 정수만 받는 목록을 만들 수 있다. 이 방법을 사용하면 실행 속도가 더 빠르고 가능한 경우 프로세서의 병렬성을 활용하는 고도로 최적화된 코드를 생성할 수 있다. 프로그램의 대부분을 일반적인 파이썬으로 작성하고, 특정 함수 내에서 typed_python을 사용해 연산 속도를 높일 수 있다. 사이썬을 사용해 애플리케이션에서 병목 지점이 될 수 있는 부분의 속도를 선택적으로 높이는 방법과 비슷하다.

파이썬을 만든 귀도 반 로섬은 파이썬 성능 문제의 상당수는 부적절한 언어 사용에 원인이 있다는 입장이다. CPU에 대한 의존도가 높은 프로세싱은 이번 기사에서 설명한 몇 가지 방법을 사용해 속도를 높일 수 있다.

넘파이를 사용하거나(계산), 다중 처리 확장을 사용하거나 외부 C 코드를 호출해서 느린 파이썬 속도의 근본 원인인 전역 인터프리터 잠금(GIL)을 피하는 방법이 있다. 그러나 파이썬의 GIL에 대한 마땅한 대안은 아직 없으므로 누군가가 나서서 단기적인 해결책, 어쩌면 장기적인 해결책까지 마련해야 할 것 같다.