Вимірювання переваг

Паралельне програмування в R

Nabeel Imam

Data Scientist

Ігровий приклад

numbers <- 1:1000000


# Послідовно
sqroots <- lapply(numbers, sqrt)


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

Що покаже кращу швидкодію?

Бенчмаркінг продуктивності

Запустіть код кілька разів, щоб оцінити середній час виконання

library(microbenchmark)


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

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

  times = 10
)

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

Прості числові операції рідко виграють від паралелізації
Профілювання дає звіт по рядках, бенчмаркінг — загальний час виконання

Слон у кімнаті

sqroots <- sqrt(numbers)

Слон сидить на дивані у вітальні, і люди визнають його присутність.

Векторизація

sqroots <- sqrt(numbers)

Функції Base R, як-от sqrt(), векторизовані.
Застосовують одну функцію до багатьох вхідних даних
Дуже швидкі, але придатні лише для простих операцій

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

Одиниці: 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

Бутстреп

Вибірка з поточних даних із поверненням

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
...

Класична версія

df <- ls_df$`2001`


estimates <- rep(0, 10000)


for (i in 1:10000) {

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


  estimates[i] <- mean(b)
  }

Гістограма бутстреп-оцінок середньої очікуваної тривалості життя у світі за 2001 рік, із класичною «дзвоноподібною» формою.

Довірчий інтервал за квантилями: quantile(estimates, c(0.025, 0.975))

Хороші новини

Бутстрепи можна паралелізувати

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)

Переваги

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

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

Як цього досягти:

Спрофілюйте наявний код, знайдіть найповільніше місце
Паралелізуйте/оптимізуйте цей крок
Порівняйте за бенчмаркінгом

Давайте потренуємось!

Паралельне програмування в R