并行计算提高R语言速度
今天与大家分享的是R语言中的并行计算的内容,将探讨如何使用parallel和foreach包在R中进行并行计算,以及在不同情况下提高计算效率的方法。
目标:让计算等待时间缩短!
1. 什么是并行计算?
并行计算是计算机科学中的一个概念,它涉及到同时执行多个计算任务以加速整体的处理速度,这是通过在多个处理器或多个计算节点上同时执行代码来实现的。
2. 为什么需要并行计算?
随着数据规模的增长,我们需要更快地处理数据。单线程的程序只能在一个CPU核心上运行,而并行计算可以同时利用多个核心,从而大大提高计算速度。
3. CPU多线程基础
多线程是一种允许单个程序或应用执行多个任务(线程)的技术。每个线程都运行在其自己的CPU核心上,这使得多线程程序可以更高效地使用多核CPU。
4. R语言中的并行计算
R语言提供了多种并行计算的方法,其中最常用的是parallel和foreach包。
4.1 parallel包
使用parallel包的mclapply函数,可以轻松地实现并行计算。
library(parallel)
定义一个简单的函数来模拟计算任务
ffunction(x){
Sys.sleep(1)#模拟耗时1秒的任务
return(x^2)
}
使用mclapply函数并行处理数据
resultprint(result)
4.2 foreach包
foreach包提供了一个更加灵活的并行框架。与传统的for循环相比,它的语法更加简洁。
library(foreach)
library(doParallel)
注册并行后端
clregisterDoParallel(cl)
使用foreach函数并行处理数据
result
Sys.sleep(1)#模拟耗时1秒的任务
return(i^2)
}
print(result)
停止并行后端
stopCluster(cl)
5. 性能比较
为了对比普通for循环、mclapply和foreach的性能,我们将使用上面定义的函数f模拟计算任务。
-
普通for循环
start.timeresult"list",4)
for(iin1:4){
result[[i]]}
end.timecat("Forlooptime:",end.time-start.time,"n")
-
使用mclapply
start.timeresultend.timecat("mclapplytime:",end.time-start.time,"n")
-
使用foreach
clregisterDoParallel(cl)
start.timeresultend.timecat("foreachtime:",end.time-start.time,"n")
stopCluster(cl)
从上述代码的输出中,我们可以看到mclapply和foreach的执行时间都明显短于传统的for循环。(此处演示设置的线程数是2,实际上一般生信计算服务器可以达到一百多个线程,计算速度还可以明显提高)
如何使用并行计算模式?
在R中尽量避免使用for循环,在R中使用for循环速度很慢,在写代码的时候,应该尽可能的避免使用for循环。
查看电脑的可用线程数量
detectCores(logical=F)#查看电脑的物理核数
install.packages("future")
library(future)
availableCores()#查看电脑可用的线程数
foreach初级用法
使用foreach()
+%do%
代替for循环,计算速度和for循环差不多。但函数foreach返回了一个列表(list)。使用foreach的优势在于%do%
后的花括号{}之间可以像for循环那样写多条语句。
x1foreach(i=1:30000)%do%{
x1[[i]]}
#上述代码等同于以下for结构
for(iin1:30000){
x1[i]}
foreach高级用法
使用foreach进行并行计算,需要将上面的%do%
替换为%dopar%
来启动并行计算,在使用并行计算之前,首先需要加载doParallel包,创建一个集群并注册。
library(foreach)
library(doParallel)
#创建一个集群并注册
cl#128是设置的线程数
registerDoParallel(cl)
#启动并行计算
x2
mean(rnorm(1e5))
}
#在计算结束后别忘记关闭集群
stopImplicitCluster()
stopCluster(cl)
特别注意:foreach默认的返回值数据类型为list
,可以使用”.combine
“参数来指定输出数据的类型为向量。
foreach函数中也可以使用rbind或者cbind等函数以矩阵形式输出结果。
下面是一个原始的for循环代码,对一个矩阵进行循环计算,运行耗时大约6分钟。
xfor(iin1:30000){
x[i,]}
对其进行重构优化,采用dopar的方式并行计算,将返回的结果按行合并(rbind),计算实际耗时1分钟。
#创建一个集群并注册
clregisterDoParallel(cl)
#启动并行计算
x
summary(rnorm(1e5))
}
#结束任务
stopImplicitCluster()
stopCluster(cl)
foreach函数使用技巧
clregisterDoParallel(cl)
out.combine=rbind,
.packages="tidyverse",
.errorhandling="pass")%dopar%{
abc"-",b)
dif(i==2){
stop("no")
}
r服务器托管网eturn(d)
}
stopCluster(cl)
.package
写在%dopar%
后的代码经常会用到第三方R包,这些包必须在.package中指定,也就是说一旦函数主体内出现了引用其他包的函数,就要在此指定。比如上面的tidyverse包中“str_c”函数。
.errorhandling
处理循环中出现错误时的应对方法,默认为stop,即出现错误就停止,但是这样会导致已经计算的内容全部失效,还得重新算。另外还有两种方式,remove选项可以在遇到错误时自动移除错误项,pass可以在出现错误时跳过该项,后者的区别是会记录出现错误的位置。
变量作用域
函数内部的局部变量具有自身的作用域,在离开运行环境时将会失效,因此在并行计算过程中也要考虑到该问题。
一个R语言函数有自己的运行环境,通常顶层环境就是全局变量,在任意位置都可以调用,而函数内部变量无法在顶层环境使用。
如果在dopar结构在函数中,则不会主动加载全局环境中的变量。
x1x2ffunction(x1){
foreach(i=1:100,.combine=c)%dopar%{
x1+x2+i
}
}
比如,上面这个会报错x2无法找到,因为foreach只识别了f函数环境的变量,而不会识别全局环境的变量。修改方法是将x2作为f函数的参数,或者.export
参数。
#方法一
ffunction(x1,x2){
foreach(i=1:3,.combine=c)%dopar%{
x1+x2+i
}
}
#方法二
ffunction(x1){
foreach(i=1:3,.combine=c,.export='x2')%dopar%{
x1+x2+i
}
}
如何提前下班?
数据分析除了写代码,还离不开复杂的计算过程,有时候一个步骤的执行耗时好久,不得不加班!那么如服务器托管网何才能加速计算时间,每天早点下班呢?
CPU和内存的权衡
R语言并行计算的内存消耗量很大,因为R语言计算时都需要将数据全部加载到内存中进行操作。
适当的选择核心数量和内存大小,防治任务意外卡死。主要的解决方法是提高配置(钞能力)或者将一个大任务切分成若干小任务。
超线程不要太压榨
现在的处理器基本都实现了超线程的功能,在运行并行任务时不要一次性设置全部线程,不然速度不增反降。
对于支持超线程的CPU,并行计算时建议选择物理核心数量的1.5倍为上限,可以用detectCores(logical = F)命令查看自己电脑的物理核心数量
结论
并行计算为我们提供了一种有效地利用多核CPU的方法,从而加速数据处理速度。在R中,我们可以使用parallel和foreach包轻松实现并行计算,当处理大量数据时,建议尝试并行计算以提高效率。
最后,希望这篇文章能帮助大家更好地理解R语言中的并行计算技术。如果有任何建议,请后台留言或私信,感谢大家的阅读,欢迎分享和点赞!
参考资料
https://blog.csdn.net/u011375991/article/details/131272023
本文由 mdnice 多平台发布
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net