要学的东西太多,无笔记不能学~~ 欢迎关注公众号,一起分享学习笔记,记录每一颗“贝壳”~
———————————————————————————
接着之前写的并行算法parallel包,parallel相比foreach来说,相当于是foreach的进阶版,好多东西封装了。而foreach包更为基础,而且可自定义的内容很多,而且实用性比较强,可以简单的用,也可以用得很复杂。笔者将自己的学习笔记记录一下。
R︱并行计算以及提高运算效率的方式(parallel包、clusterExport函数、SupR包简介)
——————————————————————————————————————
一、foreach包简介与主要函数解读
foreach包是revolutionanalytics公司贡献给R开源社区的一个包,它能使R中的并行计算更为方便。大多数并行计算都主要完成三件事情:将问题分割小块、对小块问题进行并行计算、合并计算结果。foreach包中,迭代器完成分割工作,”%dopar%“函数实现对小块的并行计算,”.combine”函数完成合并工作。
foreach(..., .combine, .init, .final=NULL, .inorder=TRUE, .multicombine=FALSE, .maxcombine=if (.multicombine) 100 else 2, .errorhandling=c('stop', 'remove', 'pass'), .packages=NULL, .export=NULL, .noexport=NULL, .verbose=FALSE) when(cond) e1 %:% e2 obj %do% ex obj %dopar% ex times(n)
参数解读:
(1)%do%严格按照顺序执行任务(所以,也就非并行计算),%dopar%并行执行任务,%do%时候就像sapply或lapply,%dopar%就是并行启动器
(2).combine:运算之后结果的显示方式,default是list,“c”返回vector, cbind和rbind返回矩阵,"+"和"*"可以返回rbind之后的“+”或者“*”,帮你把数据整合起来,太良心了!!(3).init:.combine函数的第一个变量
(4).final:返回最后结果
(5).inorder:TRUE则返回和原始输入相同顺序的结果(对结果的顺序要求严格的时候),FALSE返回没有顺序的结果(可以提高运算效率)。这个参数适合于设定对结果顺序没有需求的情况。
(6).muticombine:设定.combine函数的传递参数,default是FALSE表示其参数是2,TRUE可以设定多个参数
(7).maxcombine:设定.combine的最大参数
(8).errorhandling:如果循环中出现错误,对错误的处理方法
(9).packages:指定在%dopar%运算过程中依赖的package(%do%会忽略这个选项),用于并行一些机器学习算法。
(10).export:在编译函数的时候需要预先加载一些内容进去,类似parallel的clusterExport
如果你不知道自己的机器有没有启动并行,你可以通过以下的函数来进行查看,帮助你理解自己电脑的核心数:
getDoParWorkers( ) #查看注册了多少个核,配合doMC package中的registerDoMC( )使用 getDoParRegistered( ) # 查看doPar是否注册;如果没有注册返回FALSE getDoParName( ) #查看已经注册的doPar的名字 getDoParVersion( ) #查看已经注册的doPar的version
本节内容主要参考:R语言处理大数据
——————————————————————————————————————
二、新手教程:foreach应用
1、最简单模式——堪比lapply
foreach(a=1:3, b=rep(10, 3)) %do% { a + b } ## [[1]] ## [1] 11 ## ## [[2]] ## [1] 12 ## ## [[3]] ## [1] 13这个并不是并行,只是有着类似lapply的功能。
foreach返回的是list格式值,list格式是默认的数据格式。来看看上面的内容怎么用lapply实现:
lapply(cbind(1:3,rep(10,3),function(x,y) x+y ))
但是有个小细节就是,%do%之后的{}可以随意写中间赋值过程,譬如c<-a+b,这个用lapply不是特别好写。所以这个我超级喜欢!
这里需要注意的一点是:a, b叫循环变量,循环次数取两者长度中最小的。譬如a=1,2,3 b=1,2,也就只能循环两次。
2、参数:.combine——定义输出结果的整合
默认是foreach之后返回的是list,你可以指定自己想要的格式。.combine选项连接了“c”函数,该函数的功能是连接所有返回值组成向量。此外,我们可以使用“cbind”将生成的多个向量组合成矩阵,例如生成四组随机数向量,进而按列合并成矩阵:
foreach(i=1:4, .combine="cbind") %do% rnorm(4) ## result.1 result.2 result.3 result.4 ## [1,] 0.26634 -0.73193 -0.25927 0.8632 ## [2,] 0.54132 0.08586 1.46398 -0.6995 ## [3,] -0.15619 0.85427 -0.47997 0.2160 ## [4,] 0.02697 -1.40507 -0.06972 0.2252
运算之后结果的显示方式,default是list,“c”返回vector, cbind和rbind返回矩阵,"+"和"*"可以返回rbind之后的“+”或者“*”,帮你把数据整合起来。
.combine还可以接上自己编译的函数,这点很人性化,譬如:
cfun <- function(a, b) a+b foreach(i=1:4, .combine="cfun") %do% rnorm(4)
.combine帮你把输出结果,再要调整的问题一次性解决了,并且将数据整合也进行并行加速,棒!
一些关于.combine的c,rbind,cbind,*,+其他案例:
x <- foreach(a=1:3, b=rep(10, 3), .combine="c") %do% { x1<-(a + b); x2<-a*b; c(x1,x2); } > x [1] 11 10 12 20 13 30 > x <- foreach(a=1:3, b=rep(10, 3), .combine="rbind") %do% { x1<-(a + b); x2<-a*b; c(x1,x2); } > x [,1] [,2] result.1 11 10 result.2 12 20 result.3 13 30 > x <- foreach(a=1:3, b=rep(10, 3), .combine="cbind") %do% { x1<-(a + b); x2<-a*b; c(x1,x2); } > x result.1 result.2 result.3 [1,] 11 12 13 [2,] 10 20 30 > x <- foreach(a=1:3, b=rep(10, 3), .combine="+") %do% { x1<-(a + b); x2<-a*b; c(x1,x2); } > x [1] 36 60 > x <- foreach(a=1:3, b=rep(10, 3), .combine="*") %do% { x1<-(a + b); x2<-a*b; c(x1,x2); } > x [1] 1716 6000
3、参数.inorder——定义输出结果的顺序
.inorder:TRUE则返回和原始输入相同顺序的结果(对结果的顺序要求严格的时候),FALSE返回没有顺序的结果(可以提高运算效率)。这个参数适合于设定对结果顺序没有需求的情况。
顺序这东西,写过稍微复杂的函数都知道,特别在数据匹配时尤为重要,因为你需要定义一些rownames的名称,这时候输出的顺序万一不匹配,可能后面还要花时间匹配过来。
foreach(i=4:1, .combine='c', .inorder=FALSE) %dopar% { Sys.sleep(3 * i) i } ## [1] 4 3 2 1
——————————————————————————————————————
三、中级教程:利用doParallel并行+联用迭代器优化内存
1、利用doParallel并行——%dopar%
foreach包创作是为了解决一些并行计算问题,将”%do%“更改为“%dopar%”前面例子就可以实现并行计算。在并行之前,需要register
注册集群:
library(foreach) library(doParallel) cl<-makeCluster(no_cores) registerDoParallel(cl)要记得最后要结束集群(不是用stopCluster()):stopImplicitCluster()
2、参数when——按条件运算
foreach(a=irnorm(1, count=10), .combine='c') %:% when(a >= 0) %do% sqrt(a)
其中when是通过%:%来导出,而且%:%之后,还可以接%do%
qsort <- function(x) { n <- length(x) if (n == 0) { x } else { p <- sample(n, 1) smaller <- foreach(y=x[-p], .combine=c) %:% when(y <= x[p]) %do% y larger <- foreach(y=x[-p], .combine=c) %:% when(y > x[p]) %do% y c(qsort(smaller), x[p], qsort(larger)) } } qsort(runif(12)) ## [1] 0.1481 0.2000 0.2769 0.4729 0.4747 0.5730 0.6394 0.6524 0.8315 0.8325 ## [11] 0.8413 0.8724
3、联用iterators——优化、控制内存
iter(obj, by=c('column', 'cell', 'row'), chunksize=1L, checkFunc=function(...) TRUE, recycle=FALSE, ...)
参数解读:
(1)iter+function迭代输出
> a [,1] [,2] [,3] [,4] [,5] [1,] 1 5 9 13 17 [2,] 2 6 10 14 18 [3,] 3 7 11 15 19 [4,] 4 8 12 16 20 > i2 <- iter(a, by = "column", checkFunc=function(x) sum(x) > 50) > nextElem(i2) [,1] [1,] 13 [2,] 14 [3,] 15 [4,] 16 > nextElem(i2) [,1] [1,] 17 [2,] 18 [3,] 19 [4,] 20 > nextElem(i2) 错误: StopIteration不过,如果没有next了,就会出现报错,这时候就需要稍微注意一下。
(2)生成随机数
> i2 <- icountn(c(3.4, 1.2)) > nextElem(i2) [1] 1 1 > nextElem(i2) [1] 2 1 > nextElem(i2) [1] 3 1 > nextElem(i2) [1] 4 1 > nextElem(i2) [1] 1 2 > nextElem(i2) [1] 2 2 > nextElem(i2) [1] 3 2 > nextElem(i2) [1] 4 2 > nextElem(i2) 错误: StopIteration
——————————————————————————————————————
四、高级教程:并行机器学习算法
并行计算一些小任务会比按顺序运算它们花费更多的时间,所以当普通运算足够快的时候,并没有必要使用并行计算模式改进其运算效率。
同时,最适合并行莫过于随机森林算法了。
#生成矩阵x作为输入值,y作为目标因子 x <- matrix(runif(500), 100) y <- gl(2, 50) #导入randomForest包 require(randomForest)
1、独立循环运行随机森林算法
rf <- foreach(ntree=rep(200, 6), .combine=combine) %do% randomForest(x, y, ntree=ntree) rf ## ## Call: ## randomForest(x = x, y = y, ntree = ntree) ## Type of random forest: classification ## Number of trees: 1200 ## No. of variables tried at each split: 2
分开来运行6个200树的随机森林算法。
2、参数.packages——并行运行随机森林算法
将%do%改为“%dopar%”,同时使用.packages调用randomForest:
rf <- foreach(ntree=rep(200,6), .combine=combine, .packages="randomForest") %dopar% randomForest(x, y, ntree=ntree) rf通过.packages来将函数包导入其中,类似parallel中的clusterEvalQ,但是foreach在一个函数里面包含了函数、包的导入过程。
当然还可以使用一些其他包,使用.packages参数来加载包,比如说:.packages = c("rms", "mice")
3、参数.export——将doParallel并行写入函数
test <- function (exponent) { foreach(exponent = 2:4, .combine = c) %dopar% base^exponent } test() Error in base^exponent : task 1 failed - "object 'base' not found"
base <- 2 cl<-makeCluster(2) registerDoParallel(cl) base <- 4 test <- function (exponent) { foreach(exponent = 2:4, .combine = c, .export = "base") %dopar% base^exponent } test() stopCluster(cl) [1] 4 8 16
——————————————————————————————————————
应用一:并行时.dopar,如何输入多个常规值,.export输入多个值?
本节想解决的问题:
1、能不能输出每次迭代的时间?(参考:R语言︱函数使用技巧(循环、if族/for、switch、repeat、ifelse、stopifnot))
2、并行的时候,如何导入多个数值型变量?
注意:
.export需要输入方程中没有的值,而且必须是一个文本型,可以用list的方式。
library(foreach) registerDoParallel(makeCluster(2)) a=c(1,2,3) b=c(3,4,5,5,5,5) d=c(2,4,35,5,5,2) i=0 t1 = Sys.time() foreach(x=a, .combine="rbind",.export="list(b,d,i,t1)") %dopar% { cc=b+d a+cc i=i+1 print(paste("迭代了",i,"次",sep="")) print(difftime(Sys.time(), t1, units = 'sec')) }
注意代码中,设置了2个核心。
.combine可以将数据合并起来,之后步骤在所有结果出来之后再进行相应的合并。所以结果出来,会有result.1等项目:
[1] "迭代了1次" Time difference of 0.03000283 secs [1] "迭代了2次" Time difference of 0.031003 secs [1] "迭代了3次" Time difference of 0.031003 secs [,1] result.1 0.03000283 result.2 0.03100300 result.3 0.03100300
——————————————————————————————————————
参考文献:
1、R语言中的并行计算:foreach,iterators, doParallel包
2、foreach包简介 / FROM:《Using The foreach Package》
4、R︱并行计算以及提高运算效率的方式(parallel包、clusterExport函数、SupR包简介)