Question

当串行执行随机林时，它在我的系统上使用8GB的RAM，当并行执行它时，它使用超过两倍的RAM（18GB）。如果并行执行此操作，如何将其保持在8GB？这是代码：

install.packages('foreach')
install.packages('doSMP')
install.packages('randomForest')

library('foreach')
library('doSMP')
library('randomForest')

NbrOfCores <- 8 
workers <- startWorkers(NbrOfCores) # number of cores
registerDoSMP(workers)
getDoParName() # check name of parallel backend
getDoParVersion() # check version of parallel backend
getDoParWorkers() # check number of workers


#creating data and setting options for random forests
#if your run this please adapt it so it won't crash your system! This amount of data  uses up to 18GB of RAM.
x <- matrix(runif(500000), 100000)
y <- gl(2, 50000)
#options
set.seed(1)
ntree=1000
ntree2 <- ntree/NbrOfCores


gc()

#running serialized version of random forests

system.time(
rf1 <- randomForest(x, y, ntree = ntree))


gc()


#running parallel version of random forests

system.time(
rf2 <- foreach(ntree = rep(ntree2, 8), .combine = combine, .packages = "randomForest") %dopar% randomForest(x, y, ntree = ntree))

Answer 1

首先，SMP将复制输入，以便每个进程都可以获得自己的副本。这可以通过使用multicore进行转义，但还有另一个问题 - randomForest的每次调用也会生成输入的内部副本。

最好的做法是通过让randomForest删除森林模型本身（使用keep.forest=FALSE）并进行测试以及培训（使用xtest和可能{来减少一些用法） {1}}参数）。

Answer 2

随机林对象可能会因中等大小的数据集而变得非常大，因此增加可能与存储模型对象有关。

要测试这个，你应该有两个不同的会话。

尝试并行运行另一个没有大占用空间的模型（例如lda），看看你是否得到了相同的内存增长。

Answer 3

我认为发生的事情如下。当您的父进程生成子进程时，内存将被共享，即ram使用率不会显着增加。但是，当子进程开始构建随机林时，它们会创建许多新的中间对象，这些对象不在共享内存中，并且可能相当大。

所以我的答案是，令人失望的是，可能没有简单的方法，至少使用randomForest包 - 尽管如果有人知道的话，我会非常感兴趣。

使用doSMP和foreach的并行随机森林大大增加了内存使用量（在Windows上）

3 个答案: