使用 C 和并行化在 R 中快速关联

Posted

技术标签:

【中文标题】使用 C 和并行化在 R 中快速关联【英文标题】:Fast correlation in R using C and parallelization 【发布时间】:2013-09-28 16:17:57 【问题描述】:

我今天的项目是使用我拥有的基本技能在 R 中编写一个快速关联例程。我必须找到近 400 个变量之间的相关性,每个变量都有近一百万个观察值(即大小为 p=1MM 行和 n=400 列的矩阵)。

对于 1MM 行和每个变量 200 个观察值,R 的原生相关函数需要将近 2 分钟。我没有为每列运行 400 次观察,但我猜这需要将近 8 分钟。我还有不到 30 秒的时间来完成它。

因此,我想做一些事情。

1 - 用 C 语言编写一个简单的相关函数并将其并行应用到块中(见下文)。

2 - 块 - 将相关矩阵分成三个块(大小为 K*K 的左上正方形、大小为 (pK)(pK) 的右下正方形和大小为 K 的右上矩形矩阵 em>(pK))。这涵盖了相关矩阵corr 中的所有单元格,因为我只需要上三角。

3 - 通过 .C 调用使用降雪并行运行 C 函数。

n = 100
p = 10
X = matrix(rnorm(n*p), nrow=n, ncol=p)
corr = matrix(0, nrow=p, ncol=p)

# calculation of column-wise mean and sd to pass to corr function
mu = colMeans(X)
sd = sapply(1:dim(X)[2], function(x) sd(X[,x]))

# setting up submatrix row and column ranges
K = as.integer(p/2)

RowRange = list()
ColRange = list()
RowRange[[1]] = c(0, K)
ColRange[[1]] = c(0, K)

RowRange[[2]] = c(0, K)
ColRange[[2]] = c(K, p+1)

RowRange[[3]] = c(K, p+1)
ColRange[[3]] = c(K, p+1)

# METHOD 1. NOT PARALLEL
########################
# function to calculate correlation on submatrices
BigCorr <- function(x)
  Rows = RowRange[[x]]
  Cols = ColRange[[x]]    
  return(.C("rCorrelationWrapper2", as.matrix(X), as.integer(dim(X)), 
            as.double(mu), as.double(sd), 
            as.integer(Rows), as.integer(Cols), 
            as.matrix(corr)))


res = list()
for(i in 1:3)
  res[[i]] = BigCorr(i)


# METHOD 2
########################
BigCorr <- function(x)
    Rows = RowRange[[x]]
    Cols = ColRange[[x]]    
    dyn.load("./rCorrelation.so")
    return(.C("rCorrelationWrapper2", as.matrix(X), as.integer(dim(X)), 
          as.double(mu), as.double(sd), 
          as.integer(Rows), as.integer(Cols), 
          as.matrix(corr)))


# parallelization setup
NUM_CPU = 4
library('snowfall')
sfSetMaxCPUs() # maximum cpu processing
sfInit(parallel=TRUE,cpus=NUM_CPU) # init parallel procs
sfExport("X", "RowRange", "ColRange", "sd", "mu", "corr")  
res = sfLapply(1:3, BigCorr)
sfStop()  

这是我的问题:

对于方法 1,它有效,但不是我想要的方式。我相信,当我传递 corr 矩阵时,我传递了一个地址,而 C 将在源代码处进行更改。

# Output of METHOD 1
> res[[1]][[7]]
      [,1]      [,2]        [,3]       [,4]         [,5] [,6] [,7] [,8] [,9] [,10]
 [1,]    1 0.1040506 -0.01003125 0.23716384 -0.088246793    0    0    0    0     0
 [2,]    0 1.0000000 -0.09795989 0.11274508  0.025754150    0    0    0    0     0
 [3,]    0 0.0000000  1.00000000 0.09221441  0.052923520    0    0    0    0     0
 [4,]    0 0.0000000  0.00000000 1.00000000 -0.000449975    0    0    0    0     0
 [5,]    0 0.0000000  0.00000000 0.00000000  1.000000000    0    0    0    0     0
 [6,]    0 0.0000000  0.00000000 0.00000000  0.000000000    0    0    0    0     0
 [7,]    0 0.0000000  0.00000000 0.00000000  0.000000000    0    0    0    0     0
 [8,]    0 0.0000000  0.00000000 0.00000000  0.000000000    0    0    0    0     0
 [9,]    0 0.0000000  0.00000000 0.00000000  0.000000000    0    0    0    0     0
[10,]    0 0.0000000  0.00000000 0.00000000  0.000000000    0    0    0    0     0
> res[[2]][[7]]
      [,1] [,2] [,3] [,4] [,5]        [,6]        [,7]        [,8]       [,9]       [,10]
 [1,]    0    0    0    0    0 -0.02261175 -0.23398448 -0.02382690 -0.1447913 -0.09668318
 [2,]    0    0    0    0    0 -0.03439707  0.04580888  0.13229376  0.1354754 -0.03376527
 [3,]    0    0    0    0    0  0.10360907 -0.05490361 -0.01237932 -0.1657041  0.08123683
 [4,]    0    0    0    0    0  0.18259522 -0.23849323 -0.15928474  0.1648969 -0.05005328
 [5,]    0    0    0    0    0 -0.01012952 -0.03482429  0.14680301 -0.1112500  0.02801333
 [6,]    0    0    0    0    0  0.00000000  0.00000000  0.00000000  0.0000000  0.00000000
 [7,]    0    0    0    0    0  0.00000000  0.00000000  0.00000000  0.0000000  0.00000000
 [8,]    0    0    0    0    0  0.00000000  0.00000000  0.00000000  0.0000000  0.00000000
 [9,]    0    0    0    0    0  0.00000000  0.00000000  0.00000000  0.0000000  0.00000000
[10,]    0    0    0    0    0  0.00000000  0.00000000  0.00000000  0.0000000  0.00000000
> res[[3]][[7]]
      [,1] [,2] [,3] [,4] [,5] [,6]       [,7]        [,8]        [,9]       [,10]
 [1,]    0    0    0    0    0    0 0.00000000  0.00000000  0.00000000  0.00000000
 [2,]    0    0    0    0    0    0 0.00000000  0.00000000  0.00000000  0.00000000
 [3,]    0    0    0    0    0    0 0.00000000  0.00000000  0.00000000  0.00000000
 [4,]    0    0    0    0    0    0 0.00000000  0.00000000  0.00000000  0.00000000
 [5,]    0    0    0    0    0    0 0.00000000  0.00000000  0.00000000  0.00000000
 [6,]    0    0    0    0    0    1 0.03234195 -0.03488812 -0.18570151  0.14064640
 [7,]    0    0    0    0    0    0 1.00000000  0.03449697 -0.06765511 -0.15057244
 [8,]    0    0    0    0    0    0 0.00000000  1.00000000 -0.03426464  0.10030619
 [9,]    0    0    0    0    0    0 0.00000000  0.00000000  1.00000000 -0.08720512
[10,]    0    0    0    0    0    0 0.00000000  0.00000000  0.00000000  1.00000000

但原来的corr矩阵保持不变:

> corr
      [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
 [1,]    0    0    0    0    0    0    0    0    0     0
 [2,]    0    0    0    0    0    0    0    0    0     0
 [3,]    0    0    0    0    0    0    0    0    0     0
 [4,]    0    0    0    0    0    0    0    0    0     0
 [5,]    0    0    0    0    0    0    0    0    0     0
 [6,]    0    0    0    0    0    0    0    0    0     0
 [7,]    0    0    0    0    0    0    0    0    0     0
 [8,]    0    0    0    0    0    0    0    0    0     0
 [9,]    0    0    0    0    0    0    0    0    0     0
[10,]    0    0    0    0    0    0    0    0    0     0

问题 #1:有什么方法可以确保 C 函数在源代码中更改 corr 的值?我仍然可以合并这三个以创建上三角相关矩阵,但我想知道是否可以从源头进行更改。注意:这并不能帮助我实现快速关联,因为我只是在运行一个循环。

问题 #2:对于方法 2,我如何将共享对象加载到每个核心,以便在初始化步骤中每个核心上的并行作业(而不是我是如何做到的)? p>

问题 #3:这个错误是什么意思?我需要一些指示,我很想自己调试它。

问题 #4:有没有一种快速的方法可以在 30 秒内计算 1MM x 400 矩阵的相关性?

当我运行 METHOD 2 时,我收到以下错误:

R(6107) malloc: *** error for object 0x100664df8: incorrect checksum for freed object - object was probably modified after being freed.
*** set a breakpoint in malloc_error_break to debug
Error in unserialize(node$con) : error reading from connection

下面附上我用于关联的普通 C 代码:

#include <stdio.h>
#include <math.h>
#include <stdlib.h>
#include <stddef.h>
#include <R.h> // to show errors in R


double calcMean (double *x, int n);
double calcStdev (double *x, double mu, int n);
double calcCov(double *x, double *y, int n, double xmu, double ymu);        

void rCorrelationWrapper2 ( double *X, int *dim, double *mu, double *sd, int *RowRange, int *ColRange, double *corr) 

    int i, j, n = dim[0], p = dim[1];
    int RowStart = RowRange[0], RowEnd = RowRange[1], ColStart = ColRange[0], ColEnd = ColRange[1];
    double xyCov;

    Rprintf("\n p: %d, %d <= row < %d, %d <= col < %d", p, RowStart, RowEnd, ColStart, ColEnd);

    if(RowStart==ColStart && RowEnd==ColEnd)
        for(i=RowStart; i<RowEnd; i++)
            for(j=i; j<ColEnd; j++)
                Rprintf("\n i: %d, j: %d, p: %d", i, j, p);
                xyCov = calcCov(X + i*n, X + j*n, n, mu[i], mu[j]);
                *(corr + j*p + i) = xyCov/(sd[i]*sd[j]);
            
        
     else 
        for(i=RowStart; i<RowEnd; i++)
            for (j=ColStart; j<ColEnd; j++)
                xyCov = calcCov(X + i*n, X + j*n, n, mu[i], mu[j]);
                *(corr + j*p + i) = xyCov/(sd[i]*sd[j]);
            
        
    



// function to calculate mean

double calcMean (double *x, int n)
    double s = 0;
    int i;
    for(i=0; i<n; i++)     
        s = s + *(x+i);
    
    return(s/n);


// function to calculate standard devation

double calcStdev (double *x, double mu, int n)
    double t, sd = 0;
    int i;

    for (i=0; i<n; i++)
        t = *(x + i) - mu;
        sd = sd + t*t;
        
    return(sqrt(sd/(n-1)));



// function to calculate covariance

double calcCov(double *x, double *y, int n, double xmu, double ymu)
    double s = 0;
    int i;

    for(i=0; i<n; i++)
        s = s + (*(x+i)-xmu)*(*(y+i)-ymu);
    
    return(s/(n-1));

【问题讨论】:

@MartinMorgan - R 的原生 cor 函数(基于我拥有的构建)需要更多时间,正如我上面提到的。我在下面使用 Andrey 的建议,1MM x 400 vars 大约需要 2 分钟。会更新。 【参考方案1】:

使用快速 BLAS(通过 Revolution R 或 Goto BLAS),您可以在 R 中快速计算所有这些相关性,而无需编写任何 C 代码。 在我的第一代 Intel i7 PC 上需要 16 秒:

n = 400;
m = 1e6;

# Generate data
mat = matrix(runif(m*n),n,m);
# Start timer
tic = proc.time();
# Center each variable
mat = mat - rowMeans(mat);
# Standardize each variable
mat = mat / sqrt(rowSums(mat^2));   
# Calculate correlations
cr = tcrossprod(mat);
# Stop timer
toc = proc.time();

# Show the results and the time
show(cr[1:4,1:4]);
show(toc-tic)

上面的 R 代码报告了以下时序:

 user  system elapsed 
31.82    1.98   15.74 

我在我的MatrixEQTL 包中使用了这种方法。http://www.bios.unc.edu/research/genomic_software/Matrix_eQTL/

有关 R 的各种 BLAS 选项的更多信息,请访问此处:http://www.bios.unc.edu/research/genomic_software/Matrix_eQTL/runit.html#large

【讨论】:

不使用任何优化的 BLAS 构建 R,在我的机器 (2.9Ghz i7) 上大约需要 2 分钟。我会用优化的 BLAS 安装 R 并告诉你。 是的,@user1971988,我很好奇这段代码在 BLAS 中的性能。 另外,如果您愿意,本网站的习惯是接受答案。 在使用优化的 BLAS 从源代码重新安装 R 后,我正在尝试复制您的时间。给我几天时间,我会更新我的结果并接受你的回答。 它使用什么方法?【参考方案2】:

一些事情。

首先,如果您使用 .C 接口进行外部调用,则默认情况下它会复制所有参数。这就是对象 corr 没有被修改的原因。如果您想避免这种情况,则必须在 .C 调用中设置 DUP=false。但是,通常使用 .C 来修改现有的 R 对象并不是做事的首选方式。相反,您可能想要创建一个新数组并允许外部调用来填充它,就像这样。

corr<-.C("rCorrelationWrapper2", as.double(X), as.integer(dim(X)), 
        as.double(mu), as.double(sd), 
        as.integer(Rows), as.integer(Cols), 
        result=double(p*q))$result
corr<-array(corr,c(p,q))

其次,就编写快速相关函数而言,您应该尝试的第一件事是使用高效的 BLAS 实现来编译 R。这不仅会使您的相关函数更快,还会使您的所有线性代数更快。好的免费候选人是 AMD 的 ACML 或 ATLAS。其中任何一个都能够非常快速地计算相关矩阵。加速不仅仅是并行化——这些库在缓存使用方面也很聪明,并且在程序集级别进行了优化,因此即使只有一个内核,您也会看到很大的改进。 http://developer.amd.com/tools-and-sdks/cpu-development/amd-core-math-library-acml/ http://math-atlas.sourceforge.net/

最后,如果您真的想编写自己的 C 代码,我建议您使用 openMP 在不同线程之间自动拆分计算,而不是手动完成。但是,对于像矩阵乘法这样基本的东西,最好使用可用的优化库。

【讨论】:

以上是关于使用 C 和并行化在 R 中快速关联的主要内容,如果未能解决你的问题,请参考以下文章

为啥在更多 CPU/内核上的并行化在 Python 中的扩展性如此之差?

R:如何在 R 3.2.1 中使用 lattice 并行化多面板绘图?

MPI上求矩阵行列式方法的并行化

使用 doParallel 在 R 中并行化 keras 模型

并行化大型动态程序

如何并行化 R 中包的函数