Question

我正在尝试确定何时使用parallel包来加快运行某些分析所需的时间。我需要做的一件事是创建矩阵，比较具有不同行数的两个数据帧中的变量。我问了一个有关StackOverflow的有效方法的问题，并写了关于blog的测试。由于我对最佳方法感到满意，因此我希望通过并行运行来加快这一过程。以下结果基于带有8GB RAM的2ghz i7 Mac。令我感到惊讶的是，parallel包，特别是parSapply功能，比使用apply功能更糟糕。复制它的代码如下。请注意，我目前只使用我创建的两个列中的一个，但最终想要同时使用它们。

Execution Time http://jason.bryer.org/images/ParalleVsApplyTiming.png

require(parallel)
require(ggplot2)
require(reshape2)
set.seed(2112)
results <- list()
sizes <- seq(1000, 30000, by=5000)
pb <- txtProgressBar(min=0, max=length(sizes), style=3)
for(cnt in 1:length(sizes)) {
    i <- sizes[cnt]
    df1 <- data.frame(row.names=1:i, 
                      var1=sample(c(TRUE,FALSE), i, replace=TRUE), 
                      var2=sample(1:10, i, replace=TRUE) )
    df2 <- data.frame(row.names=(i + 1):(i + i), 
                      var1=sample(c(TRUE,FALSE), i, replace=TRUE),
                      var2=sample(1:10, i, replace=TRUE))
    tm1 <- system.time({
        df6 <- sapply(df2$var1, FUN=function(x) { x == df1$var1 })
        dimnames(df6) <- list(row.names(df1), row.names(df2))
    })
    rm(df6)
    tm2 <- system.time({
        cl <- makeCluster(getOption('cl.cores', detectCores()))
        tm3 <- system.time({
            df7 <- parSapply(cl, df1$var1, FUN=function(x, df2) { x == df2$var1 }, df2=df2)
            dimnames(df7) <- list(row.names(df1), row.names(df2))
        })
        stopCluster(cl)
    })
    rm(df7)
    results[[cnt]] <- c(apply=tm1, parallel.total=tm2, parallel.exec=tm3)
    setTxtProgressBar(pb, cnt)
}

toplot <- as.data.frame(results)[,c('apply.user.self','parallel.total.user.self',
                          'parallel.exec.user.self')]
toplot$size <- sizes
toplot <- melt(toplot, id='size')

ggplot(toplot, aes(x=size, y=value, colour=variable)) + geom_line() + 
    xlab('Vector Size') + ylab('Time (seconds)')

Answer 1

并行运行作业会产生开销。只有当您在工作节点上触发的作业花费大量时间时，并行化才能提高整体性能。当单个作业只需几毫秒时，不断解雇作业的开销将降低整体性能。诀窍是在节点上划分工作，使作业足够长，比如说至少几秒钟。我使用它可以同时运行六个Fortran模型，但这些单独的模型运行需要几个小时，几乎可以消除开销的影响。

请注意，我没有运行您的示例，但是当平行化比连续运行需要更长时间时，我上面描述的情况通常是个问题。

Answer 2

这些差异可归因于1）通信开销（特别是如果跨节点运行）和2）性能开销（例如，与启动并行化相比，您的工作不是那么密集）。通常，如果您正在并行化的任务并不那么耗时，那么您将发现并行化并没有太大的影响（这在大型数据集中非常明显。

即使这可能不能直接回答您的基准测试，但我希望这应该是相当简单的并且可以与之相关。例如，在这里，我构建了data.frame 1e6行1e4个唯一列group条目和val列中的一些值。然后我使用plyr在parallel中使用doMC并且没有并行化。

df <- data.frame(group = as.factor(sample(1:1e4, 1e6, replace = T)), 
                 val = sample(1:10, 1e6, replace = T))
> head(df)
  group val
# 1  8498   8
# 2  5253   6
# 3  1495   1
# 4  7362   9
# 5  2344   6
# 6  5602   9

> dim(df)
# [1] 1000000       2

require(plyr)
require(doMC)
registerDoMC(20) # 20 processors

# parallelisation using doMC + plyr 
P.PLYR <- function() {
    o1 <- ddply(df, .(group), function(x) sum(x$val), .parallel = TRUE)
}

# no parallelisation
PLYR <- function() {
    o2 <- ddply(df, .(group), function(x) sum(x$val), .parallel = FALSE)
}

require(rbenchmark)
benchmark(P.PLYR(), PLYR(), replications = 2, order = "elapsed")

      test replications elapsed relative user.self sys.self user.child sys.child
2   PLYR()            2   8.925    1.000     8.865    0.068      0.000     0.000
1 P.PLYR()            2  30.637    3.433    15.841   13.945      8.944    38.858

正如您所看到的，plyr的并行版本慢了3.5倍

现在，让我使用相同的data.frame，但不是计算sum，而是让我构建一个要求更高的函数，比如median(.) * median(rnorm(1e4)（（无意义，是）：< / p>

你会看到潮汐开始转变：

# parallelisation using doMC + plyr 
P.PLYR <- function() {
    o1 <- ddply(df, .(group), function(x) 
      median(x$val) * median(rnorm(1e4)), .parallel = TRUE)
}

# no parallelisation
PLYR <- function() {
    o2 <- ddply(df, .(group), function(x) 
         median(x$val) * median(rnorm(1e4)), .parallel = FALSE)
}

> benchmark(P.PLYR(), PLYR(), replications = 2, order = "elapsed")
      test replications elapsed relative user.self sys.self user.child sys.child
1 P.PLYR()            2  41.911    1.000    15.265   15.369    141.585    34.254
2   PLYR()            2  73.417    1.752    73.372    0.052      0.000     0.000

此处，并行版本比非并行版本1.752 times 更快。

编辑：关注@Paul的评论，我刚刚使用Sys.sleep()实施了一个小延迟。当然结果很明显。但仅仅为了完整起见，这是20 * 2 data.frame的结果：

df <- data.frame(group=sample(letters[1:5], 20, replace=T), val=sample(20))

# parallelisation using doMC + plyr 
P.PLYR <- function() {
    o1 <- ddply(df, .(group), function(x) {
    Sys.sleep(2)
    median(x$val)
    }, .parallel = TRUE)
}

# no parallelisation
PLYR <- function() {
    o2 <- ddply(df, .(group), function(x) {
        Sys.sleep(2)
        median(x$val)
    }, .parallel = FALSE)
}

> benchmark(P.PLYR(), PLYR(), replications = 2, order = "elapsed")

#       test replications elapsed relative user.self sys.self user.child sys.child
# 1 P.PLYR()            2   4.116    1.000     0.056    0.056      0.024      0.04
# 2   PLYR()            2  20.050    4.871     0.028    0.000      0.000      0.00

这里的差异并不令人惊讶。

Answer 3

完全同意@Arun和@PaulHiemestra关于为什么......？部分问题的论点。

但是，在您的情况下，您似乎可以从parallel包中获得一些好处（至少如果您不使用Windows）。可能的解决方案是使用mclapply而不是parSapply，它依赖于快速分叉和共享内存。

  tm2 <- system.time({
    tm3 <- system.time({
     df7 <- matrix(unlist(mclapply(df2$var1, FUN=function(x) {x==df1$var1}, mc.cores=8)), nrow=i)
     dimnames(df7) <- list(row.names(df1), row.names(df2))
    })
  })

当然，这里不需要嵌套system.time。我得到了2个核心：

enter image description here

为什么并行包慢于使用apply？

3 个答案: