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
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:
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
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
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 .