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)

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”~

———————————————————————————

终于开始攻克并行这一块了，有点小兴奋，来看看网络上R语言并行办法有哪些：

赵鹏老师（R与并行计算）做的总结已经很到位。现在并行可以分为：

 隐式并行：隐式计算对用户隐藏了大部分细节，用户不需要知道具体数据分配方式 ，算法的实现或者底层的硬件资源分配。系统会根据当前的硬件资源来自动启动计算核心。显然，这种模式对于大多数用户来说是最喜闻乐见的。

显性并行：显式计算则要求用户能够自己处理算例中数据划分，任务分配，计算以及最后的结果收集。因此，显式计算模式对用户的要求更高，用户不仅需要理解自己的算法，还需要对并行计算和硬件有一定的理解。值得庆幸的是，现有R中的并行计算框架，如parallel (snow,multicores)，Rmpi和foreach等采用的是映射式并行模型（Mapping），使用方法简单清晰，极大地简化了编程复杂度。R用户只需要将现有程序转化为*apply或者for的循环形式之后，通过简单的API替换来实现并行计算。

简单总结就是：

隐式并行：OpenBLAS，Intel MKL，NVIDIA cuBLAS，H2O(参考我的博客)等

显性并行：parallel（主打lapply应用）、foreach（主打for循环）、SupR、还有利用GPU的办法（gpuR）

同时并行时对内存的消耗极大，超级容易爆发内存问题，而且R的内存问题一直都是R很难解决的问题，这边笔者也把看到的一些方式列出来。

当然在使用一些高大上的并行包以及框架之前，如果你能够从编码小细节优化，效率也能提高很多，譬如：

方法：速度， nrow(df)/time_taken = n 行每秒
原始方法：1X, 856.2255行每秒(正则化为1)
向量化方法：738X, 631578行每秒
只考虑真值情况：1002X，857142.9行每秒
ifelse：1752X，1500000行每秒
which：8806X，7540364行每秒
Rcpp：13476X，11538462行每秒
apply处理并行

——————————————————————————————————————————————————————

在最后笔者在实践中遇到的问题，进行对应的解决：

应用一：使用parallel包时，能不能clusterExport整个函数呢？

应用二：在使用parallel包时，报错：Error in unserialize(node$con) : error reading from connection

——————————————————————————————————

一、parallel包的使用方法

多数内容参考：R语言并行化基础与提高

parallel是base包，所以不用install.packages就可以直接调用。

原理：是利用CPU的核心进行训练。

应用场景：跟apply族（lapply/sapply效果一致）（

R语言︱数据分组统计函数族——apply族用法与心得

）

1、使用步骤

设置核心数：no_cores <- detectCores() - 1

步骤分群环境：cl <- makeCluster(no_cores)

用到的变量与包复制给不同的核心：clusterEvalQ（包）、clusterExport（变量）

运行算法：clusterApply(cl, c(9,5), get("+"), 3)

关闭集群：

stopCluster(cl)

就OK啦。但是这里面很从前不一样的是，如果有环境里面的外置变量（自己定义）那么需要额外插入，复制到不同核上面，而且如果有不同包里面的函数，都要额外加载、复制多份给不同的电脑核心。

2、案例

library(parallel)
cl <- makeCluster(getOption("cl.cores", 2))
clusterApply(cl, c(9,5), get("+"), 3)   #加减乘除
parSapply(cl, c(9,5), get("+"), 3)   

案例一：c1就是设置的核心数，此时是2核心，然后就可以利用clusterApply/parSapply等函数进行调用。

xx <- 1
clusterExport(cl, "xx")
clusterCall(cl, function(y) xx + y, 2)

案例二：这个里面有xx这个变量是额外定义的，所以需要额外加载，需要用clusterExport函数，导入到并行环境中。

3、parallel内存优化与管理

（1）注意数据容量的均匀分布

parLapply <- function (cl = NULL, X, fun, ...)
{
    cl <- defaultCluster(cl)
    do.call(c, clusterApply(cl, x = splitList(X, length(cl)),
        fun = lapply, fun, ...), quote = TRUE)
}

注意到splitList(X, length(cl)) ，他会将任务分割成多个部分，然后将他们发送到不同的集群中。这里一个问题就是，譬如假设有一个list，里面数据量分别是：

（99,99,99,2,5,2）

如果是两个核数据分为了（99,99,99）、（2,5,2），第一个核分为到了那么多任务，第二个核很少，那么就会空闲，于是乎，效率还是不高，所以数据容量要尽量均匀分布。

（2）集群内存类型：FORK和PSOCK

FORK适用unix/max，实现内存共享以及节省内存，大数据环境下内存问题报错少

PSOCK适用所有（一般window都是这个）

parallel包中通过函数来设置：

makeCluster（4，type="FORK"）

FORK对性能提升很显著，但是window下不可适用。

4、parallel万一报错了咋办？

lapply在使用的时候也会出现这样的问题，如果出现问题，那么就白跑了，而且也不可能给你停顿下来。那么如何让lapply运行中跳过报错的办法呢？

R语言相关的报错处理函数可见：R语言-处理异常值或报错的三个示例

用tryCatch跳过：

result = tryCatch(
        {expr},
        warning = function(w) {warning-handler-code},
        error = function(e) { error-handler-code},
        finally = {cleanup-code}
        )

出现warning、error时候怎么处理，就可以跳过了。例子：

result = tryCatch(
        {segmentCN(txt)},
        warning = function(w) {"出警告啦"},
        error = function(e) { "出错啦"},
        )

分词时候，容易因为Lapply中断之后，就不会运行了，这样功亏一篑所以可以用这个办法跳过。

5、parSapply/parLapply函数使用技巧

函数的大体结构是：

parSapply(cl,x,fun)

其中cl是预先设定好的，x是需要循环的变量，而fun是函数。

那么一般来说，fun之中要使用的任何内容都需要用clusterEvalQ（包）、clusterExport（变量）复制到不同的核心之中。

而x则可以不用布置到全局，因为他是在源环境下调用出来，并拆分任务的。

——————————————————————————————————

二、foreach包的使用方法

1、简单使用案例

设计foreach包的思想可能想要创建一个lapply和for循环的标准，初始化的过程有些不同，你需要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()

foreach函数可以使用参数.combine控制你汇总结果的方法：

> foreach(exponent = 2:4,
        .combine = c)  %dopar%
  base^exponent
  [1]  4  8 16

> foreach(exponent = 2:4, .combine = rbind)  %dopar%   base^exponent
    [,1]
result.1 4 result.2 8 result.3 16

foreach(exponent = 2:4, .combine = list, .multicombine = TRUE)  %dopar%   base^exponent
[[1]]
[1] 4 [[2]]
[1] 8 [[3]]
[1] 16

注意到最后list的combine方法是默认的。在这个例子中用到一个.multicombine参数，他可以帮助你避免嵌套列表。比如说list(list(result.1, result.2), result.3) :

> foreach(exponent = 2:4,
        .combine = list)  %dopar%
  base^exponent
[[1]]
[[1]][[1]]
[1] 4

[[1]][[2]]
[1] 8

[[2]]
[1] 16

2、变量作用域

在foreach中，变量作用域有些不同，它会自动加载本地的环境到函数中：

> base <- 2
> cl<-makeCluster(2)
> registerDoParallel(cl)
> foreach(exponent = 2:4,
        .combine = c)  %dopar%
  base^exponent
stopCluster(cl)
 [1]  4  8 16

但是，对于父环境的变量则不会加载，以下这个例子就会抛出错误：

test <- function (exponent) {
  foreach(exponent = 2:4,
          .combine = c)  %dopar%
    base^exponent
}
test()

 Error in base^exponent : task 1 failed - "object 'base' not found" 

为解决这个问题你可以使用.export这个参数而不需要使用clusterExport。注意的是，他可以加载最终版本的变量，在函数运行前，变量都是可以改变的：

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

相似的你可以使用.packages参数来加载包,比如说：.packages = c("rms", "mice")

——————————————————————————————————

三、SupR

通过对现有R 内核的改进实现在单机上的多线程和在集群上的分布式计算功能。SupR目前仍处在内部试用和补充完善阶段。

据说supR很好用，而且小象学院的讲师（游皓麟）已经开始教授这个系统的使用方法，挺好用的。

——————————————————————————————————

四、内存管理

方法有三：
      一、升级硬件
      二、改进算法
      三、修改操作系统分配给R的内存上限, memory.size(T)查看已分配内存

memory.size(F)#查看已使用内存
memory.limit()#查看内存上限
object.size()#看每个变量占多大内存。
memory.size()#查看现在的work space的内存使用
memory.limit()#查看系统规定的内存使用上限。如果现在的内存上限不够用，可以通过memory.limit(newLimit)更改到一个新的上限。注意，在32位的R中，封顶上限为4G，无法在一个程序上使用超过4G （数位上限）。这种时候，可以考虑使用64位的版本。

详情看：R语言︱大数据集下运行内存管理   以及  R语言之内存管理

——————————————————————————————————

应用一：使用parallel包时，能不能clusterExport整个函数呢？

R语言在使用Parallel时候，会出现这样的疑问，一些东西都需要广播给不同的核心，那么在clusterExport步骤怎么办呢？能不能clusterExport一整个函数？然后直接parLapply呢？

答案否定的。笔者在用的时候，怎么样都不能把整个函数加载进去，所以只能另想办法。

既然不能clusterExport整个函数，那就只能改造我们的函数去适应parallel包了。

来看几个函数“被”改造的例子，一般来说有两个办法：

1、方法一：通过.GlobalEnv广播成全局变量

clusterExport(cl=cl, varlist=c("text.var", "ntv", "gc.rate", "pos"), envir=environment())

在函数导入的时候，加入envir变量让其广播给不同的核心，这个可以放在函数之中来使用。

2、方法二：把parLapply嵌套进函数之中

par.test <- function(text.var, gc.rate=10){
    require(parallel)
    pos <-  function(i) {
        paste(sapply(strsplit(tolower(i), " "), nchar), collapse=" | ")
    }
    cl <- makeCluster(mc <- getOption("cl.cores", 4))
    parLapply(cl, text.var, function(text.vari, gc.rate, pos) {
        x <- pos(text.vari)
        if (i%%gc.rate==0) gc()
        x
    }, gc.rate, pos)
}

可以看到的这个例子，就是把内容嵌套到parLapply之中了。同时也可以学习到，parLapply使用方法也很不错，也可以学习一下。

再来看一个例子：

mainFunction <- function(cl) {
    fa <- function(x) fb(x)
    fb <- function(x) fc(x)
    fc <- function(x) x
    y <- 7
    workerFunction <- function(i) {
        do.call(functionNames[[i]], list(y))
    }
    environment(workerFunction) <- .GlobalEnv
    environment(fa) <- .GlobalEnv
    environment(fb) <- .GlobalEnv
    environment(fc) <- .GlobalEnv
    functionNames <- c("fa", "fb", "fc")
    clusterExport(cl, varlist=c("functionNames", functionNames, "y"),
                  envir=environment())
    parLapply(cl, seq_along(functionNames), workerFunction)
}

library(parallel)
cl <- makeCluster(detectCores())
mainFunction(cl)
stopCluster(cl)

——————————————————————————————————

应用二：在使用parallel包时，报错：Error in unserialize(node$con) : error reading from connection

在R语言中使用并行算法的时候，会出现报错，无法连接到核心，即使在本来连接上的时候。通过查阅文献看到了，这是因为“调用核心数--计算机内存”的不匹配造成的。

如果你的数据集很大，调用了很多核心，那么你的计算机内存如果不够匹配，就会出现连接不上的不错，甚至还出现卡机，一动不动的情况（当然，只要耐心等待，其实他还是会继续运行的...等待的时候会有点长）

解决办法一：调用FORK，window不能...

FORK适用unix/max，实现内存共享以及节省内存，大数据环境下内存问题报错少

PSOCK适用所有（一般window都是这个）

不过调用FORK也还是治标不治本。

解决办法二：分开并行，小步迭代

譬如10万数据，那么就“2万+2万+2万+2万+2万”的跑，如果还出现脱机，就用之前tryCatch跳过，让损失降低到最小。

最好的办法了。

参考文献：How-to go parallel in R – basics + tips

——————————————————————————————————

参考文献

1、R语言并行化基础与提高

2、R与并行计算

3、sparklyr包：实现Spark与R的接口，会用dplyr就能玩Spark

4、Sparklyr与Docker的推荐系统实战

5、R语言︱H2o深度学习的一些R语言实践——H2o包

6、R用户的福音︱TensorFlow：TensorFlow的R接口

7、mxnet：结合R与GPU加速深度学习

8、碎片︱R语言与深度学习