Mäta fördelarna

Parallell programmering i R

Nabeel Imam

Data Scientist

Enkelt exempel

numbers <- 1:1000000


# Sequential
sqroots <- lapply(numbers, sqrt)


# Parallel
cl <- makeCluster(4)
sqroots <- parLapply(cl, numbers, sqrt)
stopCluster(my_cluster)

Vilket alternativ är snabbast?

Benchmarking av prestanda

Kör koden flera gånger för att uppskatta genomsnittlig körtid

library(microbenchmark)


microbenchmark(
  "Sequential" = lapply(numbers, sqrt),

  "Parallel" = {
    cl <- makeCluster(4)
    parLapply(cl, numbers, sqrt)
    stopCluster(my_cluster)
  },

  times = 10
)

Unit: milliseconds
      expr     min    mean     max neval
Sequential  633.96  838.09  993.59    10
  Parallel 1136.95 1247.29 1557.58    10

Enkla numeriska operationer gynnas sällan av parallellisering
Profilering ger radvis rapport, benchmarking ger total körtid

Elefanten i rummet

sqroots <- sqrt(numbers)

En elefant sitter i soffan i ett vardagsrum och folk uppmärksammar dess närvaro.

Vektorisering

sqroots <- sqrt(numbers)

Base R-funktioner som sqrt() är vektoriserade.
Tillämpar en funktion på många indata
Mycket snabbt men bara tillämpbart på enkla operationer

microbenchmark(
  "Vectorized" = sqrt(numbers),
  "Sequential" = lapply(numbers, sqrt),
  "Parallel" = {
    cl <- makeCluster(4)
    parLapply(cl, numbers, sqrt)
    stopCluster(my_cluster)
  },
  times = 10)

Unit: milliseconds
      expr       min      mean      max neval
Vectorized    2.3904    9.2071   66.303    10
Sequential  352.1166  771.7491 1004.753    10
  Parallel 1191.3176 1377.6926 1700.316    10

Bootstrap

Samplar från befintliga data med återläggning

print(ls_df)

$`2001`
   Country             Life_expectancy  Year
 1 Afghanistan                    56.3  2001
 2 Albania                        74.3  2001
 3 Algeria                        71.1  2001
...
$`2002`
   Country             Life_expectancy  Year
 1 Afghanistan                    56.8  2002
 2 Albania                        74.6  2002
 3 Algeria                        71.6  2002
...

Klassisk variant

df <- ls_df$`2001`


estimates <- rep(0, 10000)


for (i in 1:10000) {

  b <- sample(df$Life_expectancy,
              replace = T)


  estimates[i] <- mean(b)
  }

Ett histogram över bootstrappade skattningar av den globala medellivslängden år 2001, med den klassiska klockformen.

Konfidensintervall med kvantiler: quantile(estimates, c(0.025, 0.975))

De goda nyheterna

Bootstrap kan parallelliseras

estimates <- rep(0, 10000)

for (i in 1:10000) {

  b <- sample(df$Life_expectancy,
              replace = T)

  estimates[i] <- mean(b)
  }

boot_dist <- function (df) {

  estimates <- rep(0, 10000)

  for (i in 1:10000) {
    b <- sample(df$Life_expectancy, replace = T)
    estimates[i] <- mean(b)
  }

  return(estimates)
}


cl <- makeCluster(4)
ls_dists <- parLapply(cl, ls_df, boot_dist)
stopCluster(cl)

Fördelarna

microbenchmark(
  "lapply" = lapply(ls_df, boot_dist),
  "parLapply" = {
    cl <- makeCluster(4)
    parLapply(cl, ls_df, boot_dist)
    stopCluster(cl)
  },
  times = 10
)

Unit: seconds
     expr    min   mean    max neval
   lapply 3.6938 4.2184 4.5267    10
parLapply 1.9006 2.5166 2.7292    10

Så här går du tillväga:

Profilera befintlig kod och identifiera den långsammaste delen
Parallellisera/optimera det steget
Benchmarka och jämför

Nu kör vi en övning!

Parallell programmering i R