Question

我在Ubuntu工作站上运行R，其中包含8个虚拟内核和8 Gb内存。我希望经常使用多核软件包来并行使用8个核心;但是我发现整个R过程重复了8次。由于R实际上似乎使用的内存比gc中报告的多得多（即使在gc（）之后也是如此），这意味着即使相对温和的内存使用（一个200Mb对象）也会在重复8次时变得难以处理内存。我调查了bigmemory让子进程共享相同的内存空间;但它需要对我的代码进行一些重大改写，因为它不处理数据帧。

有没有办法在分叉前让R尽可能精简，即让OS回收尽可能多的内存？

编辑：我想我明白现在发生了什么。问题不在我想象的地方 - 父线程中存在且未被操纵的对象不会重复八次。相反，我的问题来自于我正在使每个子进程执行的操作的性质。每个人必须操纵一个具有数十万个级别的重要因素，我认为这个是内存密集的位。结果，确实存在总存储器负载与核心数成比例的情况;但没有我想象的那么戏剧化。我学到的另一个教训是，有4个物理内核+超线程的可能性，超线程实际上对于R来说通常不是一个好主意。增益很小，内存成本可能非常重要。所以我从现在开始研究4核。

对于那些想要试验的人来说，这就是我运行的代码类型：

# Create data
sampdata <- data.frame(id = 1:1000000)
for (letter in letters) {
sampdata[, letter] <- rnorm(1000000)
}
sampdata$groupid = ceiling(sampdata$id/2)

# Enable multicore
library(multicore)
options(cores=4) # number of cores to distribute the job to

# Actual job
system.time(do.call("cbind", 
    mclapply(subset(sampdata, select = c(a:z)), function(x) tapply(x, sampdata$groupid, sum))
))

Answer 1

您是否尝试过data.table？

> system.time(ans1 <- do.call("cbind",
lapply(subset(sampdata,select=c(a:z)),function(x)tapply(x,sampdata$groupid,sum))
))
   user  system elapsed 
906.157  13.965 928.645 

> require(data.table)
> DT = as.data.table(sampdata)
> setkey(DT,groupid)
> system.time(ans2 <- DT[,lapply(.SD,sum),by=groupid])
   user  system elapsed 
186.920   1.056 191.582                # 4.8 times faster

> # massage minor diffs in results...
> ans2$groupid=NULL
> ans2=as.matrix(ans2)
> colnames(ans2)=letters
> rownames(ans1)=NULL

> identical(ans1,ans2)
[1] TRUE

你的例子非常有趣。它相当大（200MB），有很多组（1/2万），每组很小（2行）。 191s可能会有很大改善，但至少它是一个开始。 [2011年3月]

现在，这个成语（即lapply(.SD,...)）已经得到了很大改善。使用v1.8.2，并且在比上述测试更快的计算机上，以及最新版本的R等，这里是更新的比较：

sampdata <- data.frame(id = 1:1000000)
for (letter in letters) sampdata[, letter] <- rnorm(1000000)
sampdata$groupid = ceiling(sampdata$id/2)
dim(sampdata)
# [1] 1000000      28
system.time(ans1 <- do.call("cbind",
  lapply(subset(sampdata,select=c(a:z)),function(x)
    tapply(x,sampdata$groupid,sum))
))
#   user  system elapsed
# 224.57    3.62  228.54
DT = as.data.table(sampdata)
setkey(DT,groupid)
system.time(ans2 <- DT[,lapply(.SD,sum),by=groupid])
#   user  system elapsed
#  11.23    0.01   11.24                # 20 times faster

# massage minor diffs in results...
ans2[,groupid:=NULL]
ans2[,id:=NULL]
ans2=as.matrix(ans2)
rownames(ans1)=NULL

identical(ans1,ans2)
# [1] TRUE

sessionInfo()
R version 2.15.1 (2012-06-22)
Platform: x86_64-pc-mingw32/x64 (64-bit)

locale:
[1] LC_COLLATE=English_United Kingdom.1252   LC_CTYPE=English_United Kingdom.1252
[3] LC_MONETARY=English_United Kingdom.1252  LC_NUMERIC=C
[5] LC_TIME=English_United Kingdom.1252

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
[1] data.table_1.8.2 RODBC_1.3-6

Answer 2

我在Ubuntu 64位R上尝试过的事情，按成功顺序排列：

正如您所做的那样使用更少的内核。
将mclapply作业拆分为多个部分，并使用带有append = TRUE的DBI将部分结果保存到数据库中。
经常使用rm功能和gc()

我已经尝试了所有这些，并且mclapply在运行时仍然开始创建越来越大的进程，这使我怀疑每个进程都保留了它真正不需要的某种剩余内存。

P.S。我使用的是data.table，似乎每个子进程都复制data.table。

Ubuntu下R中的多核和内存使用情况

2 个答案: