R语言并行运算(snow包)

点击下方图片查看HappyChart专业绘图软件

snow包

snow包主要运行于传统的集群计算。它主要用于蒙特卡洛模拟（Monte Carlo simulations），boostrapping，交叉验证（cross validation），集成机器学习算法（ensemble machine learning algorithms）和K均值聚类（K-Means clustering）等，并且也很好支持并行随机数的生成。
snow包的安装一般应用install.packages('snow').
要使用snow包进行并行运算，首先要创建一个集群对象，主要用于与内核的交互，一般传递与snow包中函数的第一个参数。
基本的集群创建函数为makeCluster()，它能创建任何类型的集群，例如，在本地机器上创建一个4核的集群：

cl <- makeCluster(4, type="SOCK")

第一个参数为集群设定，即设定使用的CPU数；第二个参数是集群类型。
注意：在结束集群时使用stopCluster()。
下面使用snow包做一个并行运算。
#并行运算K均值聚类
数据是MASS包自带的Boston数据集。
K均值函数使用stats包中的kmeans()。

library(MASS)
result <- kmeans(Boston, 4, nstart = 100)

在使用并行计算前，首先看看使用lapply函数的运行情况

results <- lapply(rep(25,4), function(nstart) kmeans(Boston, 4, nstart = nstart)
i <- sapply(results, function(result) result$tot.withiness)
result <- results[[which.min(i)]]

##使用clusterApply并行计算

library(snow)
cl <- makeCluster(4, type="SOCK")
ignore <- clusterEvalQ(cl, {library(MASS); NULL}) #用clusterEvalQ函数初始化内核，在每一个内核中载入包
results <- clusterApply(cl, rep(25, 4), function(nstart) kmeans(Boston, 4, nstart=nstart)) #parallel computing
i <- sapply(results, function(result) result$tot.withinss)
result <- results[[which.min(i)]]

相比较clusterEvalQ而言，clusterCall更好用，它的第一个参数为集群对象，第二个参数为一个函数，并且其他的参数可以传递给这个函数。最终返回一个列表。

clusterCall(cl, function() { library(MASS); NULL })

clusterCall函数可以调用多个包，

worker.init <- function(packages) {
for (p in packages) {
library(p, character.only=TRUE)
}
NULL
}
clusterCall(cl, worker.init, c('MASS', 'boot'))

character.only=TRUE是使library把参数解释为字符向量，否则library会重复载入名称为p的包。
##使用clusterApplyLB并行运算
clusterApplyLB与clusterApply函数相似，但clusterApplyLB的运行效率更高。在使用clusterApply并行运算时，如果每一个内核花费不同的时间进行运算，那么在那个运行时间长的内核结束之前，运行时间短的内核不能进行下一次运算，而clusterApplyLB不同，它是在运行时间短的内核结束之后接着就运行下一次的运算，这样就减少了时间的浪费，因此提高了效率。
为了说明clusterApplyLB的效率，我们使用控制任务时间长度的函数Sys.sleep。用snow.time收集整个执行过程的时间信息。

set.seed(7777442)
sleeptime <- abs(rnorm(10, 10, 10))
tm <- snow.time(clusterApplyLB(cl, sleeptime, Sys.sleep))
plot(tm)

作为对照，我们用clusterApply函数来观察运行时间

tm1 <- snow.time(clusterApply(cl, sleeptime, Sys.sleep))
plot(tm1)

由此看出clusterApplyLB效率更高。
##使用parLapply并行运算
parLapply是snow包中的一个高级函数，它比clusterApply函数更高效，如果参数x的长度与内核的数量相等，parLapply的优势不明显，如果参数x的长度远大于内核的数量，parLapply相比于clusterApply是一个更好的选择。
应用一个并行休眠函数的用法，首先使用clusterApply

bigsleep <- function(sleeptime, mat) Sys.sleep(sleeptime)
bigmatrix <- matrix(0, 2000, 2000)
sleeptime <- rep(1, 100)
tm2 <- snow.time(clusterApply(cl, sleeptime, bigsleep, bigmatrix))
plot(tm2)

由图看出并不高效，因为有大量的输入输出时间，下面再试一试clusterApplyLB：

tm3 <- snow.time(clusterApplyLB(cl, sleeptime, bigsleep, bigmatrix))
plot(tm3)

由上图看出，运算集中在第1、2和3个内核上，第4个内核上运算的时间非常少，及运算效率差，但总体还是比clusterApply函数要好一些。
看看最终的函数parLapply：

tm4 <- snow.time(parLapply(cl, sleeptime, bigsleep, bigmatrix))
plot(tm4)

由此看出，传输交换的时间大大缩短了，因此提高了效率。

$$参考文献$$

1. Luke Tierney, A. J. Rossini, Na Li, H. Sevcikova, package snow.
2. Q. Ethan McCallum and Stephen Weston, Parallel R.