Question

我试图通过R使用H2O来使用一个大数据集（~10GB）的子集构建多个模型。数据是一年的数据，我试图建立51个模型（即第1周训练，第2周预测等），每周约有1.5-250万行，有8个变量。

我已经在循环中完成了这个，我知道这并不总是R中最好的方法。我发现的另一个问题是H2O实体会积累先前的对象，所以我创建了一个函数来删除所有的它们除主要数据集外。

h2o.clean <- function(clust = localH2O, verbose = TRUE, vte = c()){
  # Find all objects on server
  keysToKill <- h2o.ls(clust)$Key
  # Remove items to be excluded, if any
  keysToKill <- setdiff(keysToKill, vte)
  # Loop thru and remove items to be removed
  for(i in keysToKill){
    h2o.rm(object = clust, keys = i)

    if(verbose == TRUE){
      print(i);flush.console()

    }    
  }
  # Print remaining objects in cluster.
  h2o.ls(clust)
}

脚本运行良好一段时间然后崩溃 - 通常抱怨内存不足和交换到磁盘。

这里有一些描述过程的伪代码

# load h2o library
library(h2o)
# create h2o entity
localH2O = h2o.init(nthreads = 4, max_mem_size = "6g")
# load data
dat1.hex = h2o.importFile(localH2O, inFile, key = "dat1.hex")

# Start loop
for(i in 1:51){
# create test/train hex objects
train1.hex <- dat1.hex[dat1.hex$week_num == i,]
test1.hex <- dat1.hex[dat1.hex$week_num == i + 1,]
# train gbm
dat1.gbm <- h2o.gbm(y = 'click_target2', x = xVars, data = train1.hex
                      , nfolds = 3
                      , importance = T
                      , distribution = 'bernoulli' 
                      , n.trees = 100
                      , interaction.depth = 10,
                      , shrinkage = 0.01
  )
# calculate out of sample performance
test2.hex <- cbind.H2OParsedData(test1.hex,h2o.predict(dat1.gbm, test1.hex))
colnames(test2.hex) <- names(head(test2.hex))
gbmAuc <- h2o.performance(test2.hex$X1, test2.hex$click_target2)@model$auc

# clean h2o entity
h2o.clean(clust = localH2O, verbose = F, vte = c('dat1.hex'))

} # end loop

我的问题是，在一个独立的实体中管理数据和内存的正确方法是什么（这不是在hadoop或集群上运行 - 只是一个大的EC2实例（~64gb RAM + 12个CPU））对于这种类型的过程？我应该在每次循环后杀死并重新创建H2O实体（这是原始过程但每次从文件中读取数据每次迭代增加约10分钟）？在每次循环后是否有正确的方法来垃圾收集或释放内存？

任何建议都将不胜感激。

Answer 1

这个答案适用于原始的H2O项目（发布2.x.y.z）。

在最初的H2O项目中，H2O R软件包在H2O集群DKV（分布式密钥/值存储区）中创建了大量临时H2O对象，其中包含＆＃34; Last.value＆＃34;前缀。

这些在Web UI的Store View中和从R调用h2o.ls（）都可见。

我建议做的是：

在每个循环迭代的底部，使用h2o.assign（）对要保存到已知密钥名称的任何内容进行深层复制
使用h2o.rm（）删除您不想保留的任何内容，特别是＆＃34; Last.value＆＃34;临时工
在循环中的某个地方显式调用gc（）

这是一个为您删除Last.value临时对象的函数。传入H2O连接对象作为参数：

removeLastValues <- function(conn) {
    df <- h2o.ls(conn)
    keys_to_remove <- grep("^Last\\.value\\.", perl=TRUE, x=df$Key, value=TRUE)
    unique_keys_to_remove = unique(keys_to_remove)
    if (length(unique_keys_to_remove) > 0) {
        h2o.rm(conn, unique_keys_to_remove)
    }
}

以下是使用此技术的H2O github存储库中的R测试的链接，可以无限期运行而不会耗尽内存：

https://github.com/h2oai/h2o/blob/master/R/tests/testdir_misc/runit_looping_slice_quantile.R

Answer 2

截至2015年12月15日的新建议：更新到最新的稳定版（Tibshirani 3.6.0.8或更高版本）。我们完全重写了R＆amp; H2O处理内部临时变量，内存管理更顺畅。

下一步：H2O temps可以被R死变量“活着”保持......所以每次循环迭代运行一个R gc（）。一旦R的GC移除死变量，H2O将回收该内存。

之后，您的群集应该只保留特定命名的内容，例如已加载的数据集和模型。这些你需要大致删除它们，以避免在K / V商店中累积大量数据。

如果您有任何问题，请通过发布到Google论坛h2o流告诉我们： https://groups.google.com/forum/#!forum/h2ostream

崖

Answer 3

这个问题的最新答案是你应该只使用h2o.grid()函数而不是编写循环。

Answer 4

对于H2O新版本（当前为3.24.0.3），他们建议使用以下建议：

my for loop {
 # perform loop

 rm(R object that isn’t needed anymore)
 rm(R object of h2o thing that isn’t needed anymore)

 # trigger removal of h2o back-end objects that got rm’d above, since the rm can be lazy.
 gc()
 # optional extra one to be paranoid.  this is usually very fast.
 gc()

 # optionally sanity check that you see only what you expect to see here, and not more.
 h2o.ls()

 # tell back-end cluster nodes to do three back-to-back JVM full GCs.
 h2o:::.h2o.garbageCollect()
 h2o:::.h2o.garbageCollect()
 h2o:::.h2o.garbageCollect()
}

此处是来源：http://docs.h2o.ai/h2o/latest-stable/h2o-docs/faq/general-troubleshooting.html

R H2O - 内存管理

4 个答案: