如何确保mlr只需要6个核心

时间:2017-03-24 02:52:34

标签: mlr

我在8核Linux上使用以下代码,它需要所有8个核心(6个工作站中的每一个都占用130%的利用率)

    library(mlr); library(parallel); library(parallelMap)

# Load data
    iris_num <- iris; iris_num$Species <- as.numeric(iris_num$Species)

#create tasks
    traintask <- makeRegrTask(data = iris_num, target = 'Species')

#create learner
    lrn = makeLearner('regr.xgboost'); nthread <- min(6, detectCores());
    lrn$par.vals = list(print.every.n = 500, objective = "reg:linear", eval_metric="rmse", nthread = nthread)

#set parameter space

    params <- makeParamSet(
      makeIntegerParam("max_depth",lower = 5L,upper = 20L), # 6
      makeNumericParam("min_child_weight",lower = 1L,upper = 20L), # 1
      makeNumericParam("subsample",lower = 0.5,upper = 1),
      makeNumericParam("colsample_bytree",lower = 0.5,upper = 1),
      makeIntegerParam("nrounds",lower=3000,upper=5000),
      makeNumericParam("lambda",lower=0.75,upper=1),
      makeNumericParam("lambda_bias",lower=0,upper=0.75),
      makeNumericParam("gamma",lower=0,upper=1),
      makeNumericParam("eta", lower = 0.01, upper = 0.05) # 0.3
    )

#set resampling strategy
    rdesc <- makeResampleDesc("CV",iters=9L)

#search strategy
    ctrl <- makeTuneControlRandom(maxit = 10L)

#set parallel backend
    if(Sys.info()['sysname'] == "Linux") {
      parallelStartMulticore(cpus = nthread, show.info = T)
    } else parallelStartSocket(cpus = nthread, show.info = T)

    tune <- tuneParams(learner = lrn, task = traintask,resampling = rdesc,measures = rmse, par.set = params, control = ctrl, show.info = T)

如何确保mlr只占用6个核心

2 个答案:

答案 0 :(得分:1)

mlr无法控制学习者在内部做什么 - 如果他们是并行化的,你最终会使用更多核心。为了安全起见,请仅举例说明4核。

答案 1 :(得分:0)

nthread <- min(6, detectCores())

这一行将立即执行,并将始终在8核机器上返回6。您可以在xgboost模型和调优上使用此行。您的6个调优线程中的每一个都将尝试创建一个需要6个线程的xgboost模型。所以你在8核机器上制作36个线程。

我不知道如何让mlr(或任何东西)尊重'未使用'核心的数量。如果你知道你有一台6核机器,我建议你手动分解它。例如,给tuneParams 2个线程,并为每个xgboost模型提供2个线程。由于tuneparams进程将处于空闲状态并等待从xgboost模型中回复,因此您可以为xgboost模型提供3个线程。