42

我正在尝试确定何时使用该parallel软件包来加快运行某些分析所需的时间。我需要做的一件事是创建矩阵来比较具有不同行数的两个数据帧中的变量。我问了一个关于在StackOverflow上做事的有效方法的问题，并在我的博客上写了关于测试的文章。因为我对最好的方法感到满意，所以我想通过并行运行来加速这个过程。以下结果基于具有 8GB RAM 的 2ghz i7 Mac。我很惊讶这个parallel包，parSapply特别是函数，比仅仅使用apply函数更糟糕。复制它的代码如下。请注意，我目前只使用我创建的两列之一，但最终想同时使用两者。

执行时间处理时间
（来源：bryer.org） 

require(parallel)
require(ggplot2)
require(reshape2)
set.seed(2112)
results <- list()
sizes <- seq(1000, 30000, by=5000)
pb <- txtProgressBar(min=0, max=length(sizes), style=3)
for(cnt in 1:length(sizes)) {
    i <- sizes[cnt]
    df1 <- data.frame(row.names=1:i, 
                      var1=sample(c(TRUE,FALSE), i, replace=TRUE), 
                      var2=sample(1:10, i, replace=TRUE) )
    df2 <- data.frame(row.names=(i + 1):(i + i), 
                      var1=sample(c(TRUE,FALSE), i, replace=TRUE),
                      var2=sample(1:10, i, replace=TRUE))
    tm1 <- system.time({
        df6 <- sapply(df2$var1, FUN=function(x) { x == df1$var1 })
        dimnames(df6) <- list(row.names(df1), row.names(df2))
    })
    rm(df6)
    tm2 <- system.time({
        cl <- makeCluster(getOption('cl.cores', detectCores()))
        tm3 <- system.time({
            df7 <- parSapply(cl, df1$var1, FUN=function(x, df2) { x == df2$var1 }, df2=df2)
            dimnames(df7) <- list(row.names(df1), row.names(df2))
        })
        stopCluster(cl)
    })
    rm(df7)
    results[[cnt]] <- c(apply=tm1, parallel.total=tm2, parallel.exec=tm3)
    setTxtProgressBar(pb, cnt)
}

toplot <- as.data.frame(results)[,c('apply.user.self','parallel.total.user.self',
                          'parallel.exec.user.self')]
toplot$size <- sizes
toplot <- melt(toplot, id='size')

ggplot(toplot, aes(x=size, y=value, colour=variable)) + geom_line() + 
    xlab('Vector Size') + ylab('Time (seconds)')
4

3 回答 3

29

并行运行作业会产生开销。只有当您在工作节点上触发的作业需要大量时间时，并行化才能提高整体性能。当单个作业只需要几毫秒时，不断解雇作业的开销会降低整体性能。诀窍是在节点上划分工作，使工作足够长，比如至少几秒钟。我用它来同时运行六个 Fortran 模型效果很好，但是这些单独的模型运行需要几个小时，几乎抵消了开销的影响。

请注意，我没有运行您的示例，但我上面描述的情况通常是并行化花费的时间比顺序运行更长的问题。

于 2013-01-30T22:03:17.513 回答
23

这些差异可归因于 1) 通信开销（尤其是跨节点运行时）和 2) 性能开销（例如，如果与启动并行化相比，您的工作不是那么密集）。通常，如果您要并行化的任务不是那么耗时，那么您通常会发现并行化并没有太大的影响（这在大型数据集上非常明显。

尽管这可能不会直接回答您的基准测试，但我希望这应该相当简单并且可以与之相关。例如，在这里，我构造了一个data.frame具有唯一列条目的行和 column 中的一些1e6值。然后我在使用和不使用并行化的情况下运行。1e4groupvalplyrparalleldoMC

df <- data.frame(group = as.factor(sample(1:1e4, 1e6, replace = T)), 
                 val = sample(1:10, 1e6, replace = T))
> head(df)
  group val
# 1  8498   8
# 2  5253   6
# 3  1495   1
# 4  7362   9
# 5  2344   6
# 6  5602   9

> dim(df)
# [1] 1000000       2

require(plyr)
require(doMC)
registerDoMC(20) # 20 processors

# parallelisation using doMC + plyr 
P.PLYR <- function() {
    o1 <- ddply(df, .(group), function(x) sum(x$val), .parallel = TRUE)
}

# no parallelisation
PLYR <- function() {
    o2 <- ddply(df, .(group), function(x) sum(x$val), .parallel = FALSE)
}

require(rbenchmark)
benchmark(P.PLYR(), PLYR(), replications = 2, order = "elapsed")

      test replications elapsed relative user.self sys.self user.child sys.child
2   PLYR()            2   8.925    1.000     8.865    0.068      0.000     0.000
1 P.PLYR()            2  30.637    3.433    15.841   13.945      8.944    38.858

如您所见，并行版本的plyr运行速度慢了 3.5 倍

现在，让我使用相同的data.frame，但不是计算sum，而是让我构造一个要求更高的函数，例如median(.) * median(rnorm(1e4)(( 毫无意义，是的)：

你会看到潮流开始转变：

# parallelisation using doMC + plyr 
P.PLYR <- function() {
    o1 <- ddply(df, .(group), function(x) 
      median(x$val) * median(rnorm(1e4)), .parallel = TRUE)
}

# no parallelisation
PLYR <- function() {
    o2 <- ddply(df, .(group), function(x) 
         median(x$val) * median(rnorm(1e4)), .parallel = FALSE)
}

> benchmark(P.PLYR(), PLYR(), replications = 2, order = "elapsed")
      test replications elapsed relative user.self sys.self user.child sys.child
1 P.PLYR()            2  41.911    1.000    15.265   15.369    141.585    34.254
2   PLYR()            2  73.417    1.752    73.372    0.052      0.000     0.000

在这里，并行版本比非并行版本1.752 times 快。

编辑：根据@Paul 的评论，我刚刚使用Sys.sleep(). 结果当然是显而易见的。但为了完整起见，这里是 20*2 数据帧的结果：

df <- data.frame(group=sample(letters[1:5], 20, replace=T), val=sample(20))

# parallelisation using doMC + plyr 
P.PLYR <- function() {
    o1 <- ddply(df, .(group), function(x) {
    Sys.sleep(2)
    median(x$val)
    }, .parallel = TRUE)
}

# no parallelisation
PLYR <- function() {
    o2 <- ddply(df, .(group), function(x) {
        Sys.sleep(2)
        median(x$val)
    }, .parallel = FALSE)
}

> benchmark(P.PLYR(), PLYR(), replications = 2, order = "elapsed")

#       test replications elapsed relative user.self sys.self user.child sys.child
# 1 P.PLYR()            2   4.116    1.000     0.056    0.056      0.024      0.04
# 2   PLYR()            2  20.050    4.871     0.028    0.000      0.000      0.00

这里的差异并不奇怪。

于 2013-01-30T22:06:29.793 回答
9

完全同意@Arun 和@PaulHiemestra 关于为什么...的论点？你问题的一部分。

但是，在您的情况下，您似乎可以从parallel包中获得一些好处（至少如果您不使用 Windows）。可能的解决方案是使用mclapply而不是parSapply，它依赖于快速分叉和共享内存。

  tm2 <- system.time({
    tm3 <- system.time({
     df7 <- matrix(unlist(mclapply(df2$var1, FUN=function(x) {x==df1$var1}, mc.cores=8)), nrow=i)
     dimnames(df7) <- list(row.names(df1), row.names(df2))
    })
  })

当然，system.time这里不需要嵌套。用我的 2 个核心，我得到了：

在此处输入图像描述

于 2013-01-31T01:36:19.037 回答