При запуске большого количества задач (с большими параметрами) с помощью Pool.apply_async процессы выделяются и переходят в состояние ожидания, при этом ограничения на количество ожидающих процессов нет. Это может привести к съедению всей памяти, как в примере ниже:
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()
Я ищу способ ограничить очередь ожидания таким образом, чтобы количество ожидающих процессов было ограничено, а Pool.apply_async блокировался, пока очередь ожидания заполнена.