Parallel 和 Rcpp Armadillo 的问题:集群工作人员之间可能存在变量损坏
Posted
技术标签:
【中文标题】Parallel 和 Rcpp Armadillo 的问题:集群工作人员之间可能存在变量损坏【英文标题】:Problems with Parallel and Rcpp Armadillo: Possible variable corruption between cluster workers 【发布时间】:2019-07-13 20:02:43 【问题描述】:我在将 Rcpp(和 Rcpp Armadillo)与并行包一起使用时遇到了一些问题,并且我得到的结果不正确,具体取决于我用于计算的内核数量。
我有一个函数compute_indices
,它为我的数据中的每个观察结果计算 3 组索引。它首先使用parallel::makeCluster
创建一个(FORK)集群,具体取决于我指定的核心数量。然后它将我的数据分成相等的部分,并使用我之前创建的集群对象在每个部分上应用(使用parallel::parLapply
)一个函数meancorlsm
。现在meancorlsm
基本上是我在 Rcpp 和 Rcpp Armadillo 中编写的函数(称为covArmadilloMclsmNormal
)的包装,因为我试图加快计算速度。但是,我有另一个完全用 R 编写的函数版本(称为meancorlsR
),我用它来测试 RccpArmadillo 版本的正确性。
现在,如果我使用meancorlsm
运行compute_indices
(我首先使用sourceCpp()
使covArmadilloMclsmNormal
在全局环境中可用),我会得到部分正确的答案,具体取决于我告诉的核心数量compute_indices
使用。具体来说,如果我使用 4 个核心,计算索引的前 1/4 是正确的,如果我使用 2 个核心,我的结果的前 1/2 是正确的,如果我使用单个核心,我的所有结果都是正确的.我使用meancorlsm
的R 版本(如前所述的meancorlsR
)生成的答案来检查结果的正确性。由于我在使用单核时得到了正确的结果,所以我觉得 RcppArmadillo 函数是正确的,并且集群的不同线程/工作者可能在计算过程中相互干扰,因此我得到了这种奇怪的行为。
下面是compute_indices
:
compute_indices <- function(dt, nr = ncol(dt), n_core = 4)
par_cluster <- makeCluster(n_core, type = "FORK")
# compute the column splits/partition for parallel processing
splits <- parallel:::splitList(1:nr, n_core)
# compute auxiliar support data
data_means <- colMeans(dt, na.rm = T)
data_vars <- apply(dt, MARGIN = 2, var)
data_sds <- apply(dt, 2, sd)
# compute Outliers using parapply
vectors <- do.call(rbind, parLapply(par_cluster, splits,
meancorlsm, dt, data_means,
data_vars, data_sds))
stopCluster(par_cluster)
vectors
和meancorlsm
meancorlsm<- function(i, mtx, means, vars, sds)
pre_outl <- covArmadilloMclsmNormal(dti = mtx[,i], dt = mtx,
dtmeans = means, dtvars = vars,
dtsds = sds)
colnames(pre_outl) <- c("sh", "mg", "ap")
pre_outl
使用covArmadilloMclsmNormal
Rcpp 函数:
#include <RcppArmadillo.h>
using namespace Rcpp;
//[[Rcpp::depends(RcppArmadillo)]]
// [[Rcpp::export]]
arma::mat covArmadilloMclsmNormal(arma::mat dti, arma::mat dt,
arma::vec dtmeans, arma::vec dtvars,
arma::vec dtsds)
arma::mat out(dt.n_cols, dti.n_cols);
out = arma::cov(dt, dti);
int n = out.n_rows;
int p = out.n_cols;
//declare matrices to hold result
arma::vec temp(n);
arma::mat preout(3,p);
for(int i = 0; i<p ; ++i)
temp = out.col(i)/dtvars;
preout(0,i) = arma::mean((out.col(i)/dtsds))/dtsds(i);
preout(1, i) = dtmeans(i) - arma::mean(temp % dtmeans);
preout(2, i) = arma::mean(temp);
return preout.t();
现在这里是我用于测试的meancorlsm
的 R 版本:
meancorlsR <- function(i, mtx, means, vars, sds)
pre_outl <- apply(cov(mtx, mtx[,i], use = "pairwise.complete.obs"), 2,
function(col)
tmp <- col/vars
c("sh" = mean(col/sds, na.rm = T),
"mg" = mean(tmp * means, na.rm = T),
"ap" = mean(tmp, na.rm = T))
)
pre_outl[1,] <- pre_outl[1,]/sds[i]
pre_outl[2,] <- means[i] - pre_outl[2,]
t(pre_outl)
您可以在compute_indices
函数中将meancorlsm
函数替换为meancorlsR
,它将起作用(用于测试)。然而,为了立即重现,我在这里提供compute_indicesR
。
compute_indicesR <- function(dt, nr = ncol(dt), n_core = 4)
par_cluster <- makeCluster(n_core, type = "FORK")
# compute the column splits/partition for parallel processing
splits <- parallel:::splitList(1:nr, n_core)
# compute auxiliar support data
data_means <- colMeans(dt, na.rm = T)
data_vars <- apply(dt, MARGIN = 2, var)
data_sds <- apply(dt, 2, sd)
# compute using parapply
vectors <- do.call(rbind, parLapply(par_cluster, splits,
meancorlsR, dt, data_means,
data_vars, data_sds))
stopCluster(par_cluster)
vectors
最后,这是一个运行的最小示例:
library(Rcpp)
library(parallel)
# use this to source the Rcpp function from a file
# to make the covArmadilloMclsmNormal function available
sourceCpp("covArmadilloMclsmNormal.cpp")
data("attitude") # available in datasets in base R
dt <- t(as.matrix(attitude[1:10,])) #select first 10 row
indices_rcpp4 <- compute_indices(dt) # using 4 cores
indices_rcpp2 <- compute_indices(dt, n_core = 2) # using 2 cores
indices_rcpp1 <- compute_indices(dt, n_core = 1) # 1 core
# using the R version
# already replaced the meancorlsm function to meancorlsR here
indices_R <- compute_indicesR(dt) # R version
无论我指定的内核数量如何,我都希望所有输出都与 R 版本生成的输出相匹配。但是,它们是不同的。这是我使用 R 版本得到的结果:
" sh mg ap
1 0.634272567307155 -7.09315427645087 0.992492531586726
2 0.868144125333511 22.3206363514708 0.622504642756242
3 0.819231480417289 24.8027625928423 0.756088388472384
4 0.830462006956641 -6.26663378557611 1.03847748215856
5 0.836182582923674 15.0558414918816 0.901413435882058
6 0.648813304451793 23.4689784056255 0.40175151333289
7 0.839409670144446 3.73900558549848 0.883655665107456
8 0.781070895796188 13.1775081516076 0.810306856575333
9 0.772967959938828 2.24023877077873 1.1146249477264
10 0.826849986442202 3.31330282673472 0.910527502047015"
我使用 2 核的 Rcpp 版本得到的结果是
" sh mg ap
1 0.634272567307155 -7.09315427645086 0.992492531586726
2 0.868144125333511 22.3206363514708 0.622504642756242
3 0.819231480417289 24.8027625928424 0.756088388472384
4 0.830462006956641 -6.26663378557612 1.03847748215856
5 0.836182582923674 15.0558414918816 0.901413435882058
6 0.231943043232274 28.1832641199112 0.40175151333289
7 1.20839881621289 7.02471987121276 0.883655665107456
8 0.865212462148289 21.7489367230362 0.810306856575333
9 0.853048693647409 -10.474046943507 1.1146249477264
10 0.857055188335614 14.599017112449 0.910527502047015"
而对于使用 4 核的 Rccp 版本:
" sh mg ap
1 0.634272567307155 -7.09315427645086 0.992492531586726
2 0.868144125333511 22.3206363514708 0.622504642756242
3 0.819231480417289 24.8027625928424 0.756088388472384
4 0.648794650804865 -10.2666337855761 1.03847748215856
5 1.25119408317776 5.48441292045304 0.901413435882058
6 0.231943043232274 28.1832641199112 0.40175151333289
7 1.20839881621289 7.02471987121276 0.883655665107456
8 0.487272877566209 3.60607958017906 0.810306856575333
9 1.50139103326263 -6.75976122922128 1.1146249477264
10 1.01076542369015 15.4561599695919 0.910527502047015"
使用单核的 Rccp 版本产生了与 R 版本相同的答案,这是正确的结果。同样有趣的是,无论我使用的核心数量是多少,答案的ap
列保持不变,而sh
和mg
列发生变化。
最后,我的平台是 Ubuntu 16.04。似乎FORK
clusters 在 Windows 上不起作用,因此您可能无法重现此结果。但是,即使使用 PSOCK
集群,我也得到了相同的行为(在这种情况下,我使用 clusterEvalQ()
来获取必要的 Cpp 函数以使它们可供工作人员使用)。非常感谢任何关于我做错了什么的帮助或见解。
【问题讨论】:
嗨 Segun - 这是一个很长的问题,但通常要注意并行工作最好在独立数据块上完成,因为 R 显然不是多线程安全的。也许看看 RcppParallel 文档及其示例——以及它们对RMatrix
和 RVector
的使用。
我现在还没有所有的数学知识,但是根据arma::cov
的文档,您不应该按行拆分吗?所以使用nr = nrow(dt)
然后mtx[i,]
。
肯定是mtx[i, , drop = FALSE]
。
嗨,Alexis,整个函数的编写方式使得数据采用长格式,即我在解析到我的函数之前转置了数据。因此,数据的行实际上是通过引用函数中的列得到的。
@DirkEddelbuettel 谢谢,我会调查 RcppParallel。你认为如果我建立一个包,事情可能会更好吗?也许我使用 sourceCpp 来养活工人这一事实可能是个问题。
【参考方案1】:
别管我的 cmets,我误解了犰狳的文档。
您的 C++ 代码正在使用 i
索引帮助器 dtmeans
和 dtsds
向量,
但是i
对于每个并行实例总是从零开始,
所以你需要传递一个偏移量来指示跳过了多少列:
//[[Rcpp::depends(RcppArmadillo)]]
#include <RcppArmadillo.h>
//[[Rcpp::export]]
arma::mat covArmadilloMclsmNormal(arma::mat dti, arma::mat dt, int offset,
arma::vec dtmeans, arma::vec dtvars, arma::vec dtsds)
arma::mat out = arma::cov(dt, dti);
size_t p = out.n_cols;
arma::mat preout(p,3);
for (int i = 0; i < p; ++i)
arma::vec temp = out.col(i) / dtvars;
preout(i,0) = arma::mean((out.col(i) / dtsds)) / dtsds(i + offset);
preout(i,1) = dtmeans(i + offset) - arma::mean(temp % dtmeans);
preout(i,2) = arma::mean(temp);
return preout;
因此:
meancorlsm <- function(i, mtx, means, vars, sds)
pre_outl <- covArmadilloMclsmNormal(dti = mtx[,i, drop = FALSE], dt = mtx, offset = min(i) - 1L,
dtmeans = means, dtvars = vars,
dtsds = sds)
colnames(pre_outl) <- c("sh", "mg", "ap")
pre_outl
您甚至可以按顺序证实它:
data("attitude") # available in datasets in base R
dt <- t(as.matrix(attitude[1:10,])) #select first 10 row
# compute the column splits/partition for parallel processing
splits <- parallel:::splitList(1:ncol(dt), 2)
# compute auxiliary support data
data_means <- colMeans(dt, na.rm = T)
data_vars <- apply(dt, MARGIN = 2, var)
data_sds <- apply(dt, 2, sd)
do.call(rbind, lapply(splits,
meancorlsm, dt, data_means,
data_vars, data_sds))
sh mg ap
[1,] 0.6342726 -7.093154 0.9924925
[2,] 0.8681441 22.320636 0.6225046
[3,] 0.8192315 24.802763 0.7560884
[4,] 0.8304620 -6.266634 1.0384775
[5,] 0.8361826 15.055841 0.9014134
[6,] 0.6488133 23.468978 0.4017515
[7,] 0.8394097 3.739006 0.8836557
[8,] 0.7810709 13.177508 0.8103069
[9,] 0.7729680 2.240239 1.1146249
[10,] 0.8268500 3.313303 0.9105275
顺便说一句,如果你只是用=
覆盖它们,我认为在 C++ 代码中预分配矩阵是没有用的。
【讨论】:
非常感谢。您能否澄清关于预分配矩阵的最后一个建议。抱歉,这是我第一次使用 Rcpp 和犰狳,所以我不熟悉内存管理。我怎样才能让它更有效率?我在哪里预分配一个不必要的矩阵。谢谢 @SegunOjo 就像你第一次定义arma::mat out(dt.n_cols, dti.n_cols)
但立即用out = arma::cov(dt, dti)
覆盖它;前者分配从未使用过的内存,因为out
最终在内部持有arma::cov
分配的内存。这更像是 C++ 的东西,而不是 Rcpp
;搜索复制和移动语义。以上是关于Parallel 和 Rcpp Armadillo 的问题:集群工作人员之间可能存在变量损坏的主要内容,如果未能解决你的问题,请参考以下文章
(Rcpp, armadillo) 将 arma::vec 转换为 arma::mat
在 Rcpp (Armadillo) 函数中使用数字序列作为默认参数
Rcpp Armadillo:RStudio 说“exp”不明确
从 Rcpp Armadillo 中的 sp_mat 访问维度名称