Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Children forked after a run generate identical sampler data

Đang mở
  • Có gì không ổn?
#1,076 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

@binaryaaron đang làm issue này rồi.

Từ ngày 22/10/2026.

  • #1077 của @binaryaaron — đang mở

Đánh giá

Độ khó
3/5
Thời gian dự kiến
1-2 ngày
Mức phù hợp với người mới
25/100
Loại issue
Lỗi
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Đình trệ
Công nghệ
numpy, python
Lĩnh vực
data-engineering

Hướng nghiên cứu

Start at engine/sampling_gen/utils.py:36, where check_random_state(None) selects NumPy's global generator, and trace Faker and distribution sampling paths used by preview() and create(). Use the issue's multiprocessing reproduction to compare fork and spawn, preserving in-process seeding tested by scripts/benchmarks/benchmark_engine_v2.py. Done means forked workers produce independent sampler data while explicit process-local seeding remains repeatable; note that linked PR #1077 already targets this issue.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

bug
Priority Level

Medium (Annoying but has workaround)

Describe the bug

Every child forked after the parent has run preview() or create() generates the same sampler data. Nothing fails or warns; a fork pool of N workers returns N copies of one dataset's sampler columns.

Samplers draw from numpy's global RandomState (check_random_state(None) returns np.random.mtrand._rand, engine/sampling_gen/utils.py:36) and from Faker's shared Random (faker.generator.random, used by every Faker(locale) instance). A fork copies their state, and nothing reseeds it: CPython reseeds the stdlib random module in a forked child, but not numpy's global generator or Faker's. Each child therefore draws the same sequence.

Before #1069 the forked child hung on its first run (#1068), so this was not reachable. With that fix merged, any fork pool created after a first run hits it. fork is the Linux default on Python 3.10–3.13.

Affected: every sampler that draws from scipy/numpy (category, uniform, gaussian, and the other distribution samplers), person_from_faker, and distribution-valued inference parameters (temperature, top_p), which also use numpy's global generator. Not affected: UUIDs, managed-dataset person sampling (DuckDB), and code using the stdlib random module.

Steps/Code to reproduce bug

No model provider needed:

import multiprocessing as mp

import data_designer.config as dd
from data_designer.interface import DataDesigner


def preview(_: int = 0) -> list:
    builder = dd.DataDesignerConfigBuilder()
    builder.add_column(dd.SamplerColumnConfig(
        name="category", sampler_type=dd.SamplerType.CATEGORY,
        params=dd.CategorySamplerParams(values=list("abcdefgh"))))
    builder.add_column(dd.SamplerColumnConfig(
        name="uniform", sampler_type=dd.SamplerType.UNIFORM,
        params=dd.UniformSamplerParams(low=0, high=1000)))
    df = DataDesigner().preview(builder, num_records=4).dataset
    return [f"{c}:{u:.1f}" for c, u in zip(df["category"], df["uniform"])]


if __name__ == "__main__":
    preview()  # a parent run, e.g. checking the config before fanning out
    for method in ("fork", "spawn"):
        with mp.get_context(method).Pool(3) as pool:
            rows = pool.map(preview, range(3))
        print(f"{method:<5} distinct worker outputs: {len(set(map(tuple, rows)))} of 3")
        for r in rows:
            print("     ", r)

Output on main (2c9b66ef, CPython 3.14.0, numpy 2.4.3, Faker 20.1.0, Linux):

fork  distinct worker outputs: 1 of 3
      ['b:965.9', 'c:719.3', 'h:599.7', 'a:869.9']
      ['b:965.9', 'c:719.3', 'h:599.7', 'a:869.9']
      ['b:965.9', 'c:719.3', 'h:599.7', 'a:869.9']
spawn distinct worker outputs: 3 of 3
      ['h:910.8', 'g:252.2', 'g:270.8', 'b:558.7']
      ['g:1.1', 'a:485.1', 'e:968.6', 'a:27.8']
      ['a:624.4', 'f:66.1', 'g:708.3', 'e:586.6']
Expected behavior

Forked children generate independent sampler data, as spawn children do.

Agent Diagnostic / Prior Investigation

Found by an agent sweeping the codebase for process-global state after #1069. It confirmed:

  • numpy.random is not reseeded after fork once the parent has drawn from it. numpy seeds the global generator lazily, so children forked before any draw happen to differ.
  • faker.generator.random is not reseeded after fork, and Faker(locale).random is faker.generator.random.
  • The stdlib random module is reseeded after fork by CPython.

The repo's own benchmark (scripts/benchmarks/benchmark_engine_v2.py:585-586) seeds random and numpy.random for repeatable sampler output, so a fix should keep in-process seeding working.

Additional context

Workaround: use mp.get_context("spawn") or "forkserver", or call numpy.random.seed() and faker.Faker.seed() with no argument at the start of each forked worker.

Related: #1068, #1069.

Ngôn ngữ chính
Python
Star
2.4k
Fork
234
Merge trung bình
23 giờ
Pull request đã merge (30 ngày)
75

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của NVIDIA-NeMo/DataDesigner

Tất cả issue của NVIDIA-NeMo/DataDesigner

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.