R H2O - 内存管理-Java 学习之路

我试图通过R使用H2O来使用一个大数据集（~10GB）的子集构建多个模型 . 数据是一年的数据，我正在尝试 Build 51个模型（即第1周训练，第2周预测等），每周约有1.5-250万行，有8个变量 .

我在循环中完成了这个，我知道这并不总是R中最好的方法 . 我发现的另一个问题是H2O实体会积累先前的对象，所以我创建了一个函数来删除所有这些除了主数据组 .

h2o.clean <- function(clust = localH2O, verbose = TRUE, vte = c()){
  # Find all objects on server
  keysToKill <- h2o.ls(clust)$Key
  # Remove items to be excluded, if any
  keysToKill <- setdiff(keysToKill, vte)
  # Loop thru and remove items to be removed
  for(i in keysToKill){
    h2o.rm(object = clust, keys = i)

    if(verbose == TRUE){
      print(i);flush.console()

    }    
  }
  # Print remaining objects in cluster.
  h2o.ls(clust)
}

该脚本运行良好一段时间然后崩溃 - 通常抱怨内存不足和交换到磁盘 .

这里有一些伪代码来描述这个过程

# load h2o library
library(h2o)
# create h2o entity
localH2O = h2o.init(nthreads = 4, max_mem_size = "6g")
# load data
dat1.hex = h2o.importFile(localH2O, inFile, key = "dat1.hex")

# Start loop
for(i in 1:51){
# create test/train hex objects
train1.hex <- dat1.hex[dat1.hex$week_num == i,]
test1.hex <- dat1.hex[dat1.hex$week_num == i + 1,]
# train gbm
dat1.gbm <- h2o.gbm(y = 'click_target2', x = xVars, data = train1.hex
                      , nfolds = 3
                      , importance = T
                      , distribution = 'bernoulli' 
                      , n.trees = 100
                      , interaction.depth = 10,
                      , shrinkage = 0.01
  )
# calculate out of sample performance
test2.hex <- cbind.H2OParsedData(test1.hex,h2o.predict(dat1.gbm, test1.hex))
colnames(test2.hex) <- names(head(test2.hex))
gbmAuc <- h2o.performance(test2.hex$X1, test2.hex$click_target2)@model$auc

# clean h2o entity
h2o.clean(clust = localH2O, verbose = F, vte = c('dat1.hex'))

} # end loop

我的问题是，如果有的话，在一个独立的实体中管理数据和内存的正确方法（这不是在hadoop或集群上运行 - 只是一个大的EC2实例（~64gb RAM 12 CPU））处理？我应该在每次循环后杀死并重新创建H2O实体（这是原始过程但每次从文件中读取数据每次迭代增加约10分钟）？在每次循环后是否有正确的方法来垃圾收集或释放内存？

任何建议，将不胜感激 .

3 回答

6
这个答案适用于原始的H2O项目（发布2.x.y.z） .

在最初的H2O项目中，H2O R包在H2O集群DKV（分布式键/值存储）中创建了许多临时H2O对象，其前缀为“Last.value” .

这些在Web UI的Store View中和从R调用h2o.ls（）都可见 .

我建议做的是：
- 在每个循环迭代的底部，使用h2o.assign（）对要保存到已知键名的任何内容进行深层复制
- 使用h2o.rm（）删除任何你不想保留的内容，特别是"Last.value" temps
- 在循环中的某个地方显式调用gc（）
这是一个为您删除Last.value临时对象的函数 . 传入H2O连接对象作为参数：
```
removeLastValues <- function(conn) {
    df <- h2o.ls(conn)
    keys_to_remove <- grep("^Last\\.value\\.", perl=TRUE, x=df$Key, value=TRUE)
    unique_keys_to_remove = unique(keys_to_remove)
    if (length(unique_keys_to_remove) > 0) {
        h2o.rm(conn, unique_keys_to_remove)
    }
}
```
以下是H2O github存储库中R测试的链接，该存储库使用此技术并且可以无限期运行而不会耗尽内存：

https://github.com/h2oai/h2o/blob/master/R/tests/testdir_misc/runit_looping_slice_quantile.R
回复于 2024-05-04T13:36:51+08:00
2

截至2015年12月15日的新建议：更新到最新的稳定版（Tibshirani 3.6.0.8或更高版本） . 我们已经完全重写了R＆H2O如何处理内部临时变量，并且内存管理更加顺畅 .

Next：H2O temps可以通过R死变量保持“活着”...所以每次循环迭代运行一个R gc（） . 一旦R的GC移除死变量，H2O将回收该内存 .

之后，您的群集应该只保留特定命名的内容，例如已加载的数据集和模型 . 这些你需要大致删除它们，以避免在K / V存储中累积大数据 .

如果您有任何问题，请通过发布到Google论坛h2o流告诉我们：https://groups.google.com/forum/#!forum/h2ostream

悬崖

回复于 2024-05-04T13:36:51+08:00
4

这个问题的最新答案是你应该只使用h2o.grid()函数而不是编写循环 .

回复于 2024-05-04T13:36:51+08:00

R H2O - 内存管理

3 回答

相关问题