Reprodutibilidade em paralelo

Programação Paralela em R

Nabeel Imam

Data Scientist

O que é reprodutibilidade?

A mesma entrada gera os mesmos resultados sempre que executamos o código

O código pode ser testado
Outros podem replicar os resultados

Linhas de código geram um gráfico de pizza. Uma segunda execução das mesmas linhas gera exatamente o mesmo gráfico.

O sorteio de clientes

print(customer_ids)

$USA
   [1] 465500 612953 106420 279492 376941 163474 164493 801983 898941 406844 829157 ...
$Canada
   [1] 140521 398164 817703 715385 771801 656814 721270 719120 425819 774558 111418 ...
$Mexico
   [1] 714842 486725 706765 858020 790364 390760 198667 419197 352989 202494 756636 ...
$UK
   [1] 886285 151731 274940 779966 375535 431644 880434 649074 765423 449147 408041 ...

O sorteio de clientes

lucky_draw <- function (ids) {
  sample(ids, 1)
}


cl <- makeCluster(4)


set.seed(1234)

parLapply(cl, customer_ids, lucky_draw)
stopCluster(cl)

$USA
[1] 673576

$Canada
[1] 164613

$Mexico
[1] 769658

$UK
[1] 683102

O problema da reprodutibilidade

Vencedores da primeira execução

$USA
[1] 673576

$Canada
[1] 164613

$Mexico
[1] 769658

$UK
[1] 683102

Vencedores da segunda execução

$USA
[1] 638051

$Canada
[1] 133431

$Mexico
[1] 522137

$UK
[1] 856141

Solução

cl <- makeCluster(4)


# Uma semente para todos os processos do cluster
clusterSetRNGStream(cl, 1234)


parLapply(cl, customer_ids, lucky_draw)
stopCluster(cl)

Várias execuções com os mesmos resultados

Vencedores da primeira execução

$USA
[1] 421408

$Canada
[1] 877562

$Mexico
[1] 460786

$UK
[1] 658513

Vencedores da segunda execução

$USA
[1] 421408

$Canada
[1] 877562

$Mexico
[1] 460786

$UK
[1] 658513

Várias execuções com os mesmos resultados

Primeira execução

cl <- makeCluster(4)

clusterSetRNGStream(cl, 1234)


run1 <- parLapply(cl, customer_ids, lucky_draw)
stopCluster(cl)

Segunda execução

cl <- makeCluster(4)

clusterSetRNGStream(cl, 1234)

run2 <- parLapply(cl, customer_ids, lucky_draw)
stopCluster(cl)


identical(run1, run2)

[1] TRUE

Resultados reprodutíveis com furrr

Primeira execução

config <- furrr_options(seed = 1234)


plan(multisession, workers = 4)

run1 <- future_map(customer_ids, lucky_draw,
                   .options = config)
plan(sequential)

Segunda execução

plan(multisession, workers = 4)

run2 <- future_map(customer_ids, lucky_draw,
                  # Usando a mesma configuração
                  .options = config)
plan(sequential)

identical(run1, run2)

[1] TRUE

Resultados reprodutíveis com foreach

Primeira execução

install.packages("doRNG")
library(doRNG)


cl <- makeCluster(4)
registerDoParallel(cl)

registerDoRNG(1234)


run1 <- foreach(i = customer_ids) %dopar% {
  lucky_draw(i)
}
stopCluster(cl)

Segunda execução

cl <- makeCluster(4)
registerDoParallel(cl)
registerDoRNG(1234) # Mesma semente

run2 <- foreach(i = customer_ids) %dopar% {
  lucky_draw(i)
}
stopCluster(cl)

identical(run1, run2)

[1] TRUE

Quando pensar em reprodutibilidade

Chamada direta a geradores de números aleatórios
- rnorm, rbinom, etc.
Amostragem aleatória
- Bootstraps
- sample_n() do dplyr

Vamos praticar!

Programação Paralela em R