Reproductibilitate în paralel

Programare paralelă în R

Nabeel Imam

Data Scientist

Ce este reproductibilitatea?

Același input produce aceleași rezultate la fiecare rulare

Codul poate fi testat
Rezultatele pot fi replicate de alții

Linii de cod produc o diagramă circulară. O a doua rulare a acelorași linii produce exact aceeași diagramă circulară.

Tombola pentru clienți

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 ...

Tombola pentru clienți

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

Problema reproductibilității

Câștigători din prima rulare

$USA
[1] 673576

$Canada
[1] 164613

$Mexico
[1] 769658

$UK
[1] 683102

Câștigători din a doua rulare

$USA
[1] 638051

$Canada
[1] 133431

$Mexico
[1] 522137

$UK
[1] 856141

Soluție

cl <- makeCluster(4)


# A seed for all worker processes in cluster
clusterSetRNGStream(cl, 1234)


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

Rulări multiple cu aceleași rezultate

Câștigători din prima rulare

$USA
[1] 421408

$Canada
[1] 877562

$Mexico
[1] 460786

$UK
[1] 658513

Câștigători din a doua rulare

$USA
[1] 421408

$Canada
[1] 877562

$Mexico
[1] 460786

$UK
[1] 658513

Rulări multiple cu aceleași rezultate

Prima rulare

cl <- makeCluster(4)

clusterSetRNGStream(cl, 1234)


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

A doua rulare

cl <- makeCluster(4)

clusterSetRNGStream(cl, 1234)

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


identical(run1, run2)

[1] TRUE

Rezultate reproductibile cu furrr

Prima rulare

config <- furrr_options(seed = 1234)


plan(multisession, workers = 4)

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

A doua rulare

plan(multisession, workers = 4)

run2 <- future_map(customer_ids, lucky_draw,
                  # Using the same configuration
                  .options = config)
plan(sequential)

identical(run1, run2)

[1] TRUE

Rezultate reproductibile cu foreach

Prima rulare

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


cl <- makeCluster(4)
registerDoParallel(cl)

registerDoRNG(1234)


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

A doua rulare

cl <- makeCluster(4)
registerDoParallel(cl)
registerDoRNG(1234) # Same seed

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

identical(run1, run2)

[1] TRUE

Când să ne gândim la reproductibilitate

Apel direct la generatoare de numere aleatoare
- rnorm, rbinom etc.
Eșantionare aleatoare
- Bootstrap
- sample_n() din dplyr

Să exersăm!

Programare paralelă în R