第1章 R语言中的并行处理入门

标准：时间,开发，运行,工具，R机器，多核。

rdsm,openmp,conda。

相互网页外链。

第一章

1.1 反复出现的主题: 良好并行所具有的标准

R(解释性语言)的核心操作都在语言内部进行了高效的实现，因而只要正确使用，R语言一般能够提供较好的性能

1.1.1 足够快(良好并行的标准?)

1.1.2 "R+X"

1.2 关于机器

多核系统,集群(几十个结点),GPU

1.3 反复出现的主题: 不要把鸡蛋放在一个篮子里(跨平台)

可以使用多种硬件、也能被多种编程语言调用的软件包 对用户有着巨大的吸引力。

第7章和一些后面小节将要讨论的Thrust，就是这

种现象的缩影。同样的Thrust代码，既能在多核平台上运行，也能在GPU
平台上运行，并且由于它是基于C++的，它能被R和其他大部分语言调用。

长话短说，Thrust 使得我们在开发并行代码的时候能够"两面下注"

消息传递软件系统，比如R的snow、Rmpi和pbdR扩展包，也有基

本相同的优势，因为它们既能在多核机器 上运行，也能在集群上运行。

1.4 扩展示例: 相互网页外链

1.4.1 串行代码

r 复制代码

mutoutser<- function(links) {
  nr <- nrow(links)
  nc <- ncol(links)
  tot = 0
  for (i in 1:(nr-1)) {
    for (j in (i+1):nr) {
      for (k in 1:nc) 
        tot <- tot + links[i,k] * links[j,k]
    }
  }
  tot / (nr*(nr-1)/2)
}
# 生成一个指定大小（nr 行，nc 列）的二进制矩阵 lnk，然后调用 mutoutser 函数计算
sim <- function(nr,nc) {
  lnk <- matrix(sample(0:1,(nr*nc),replace=TRUE),nrow=nr)
  print(system.time(mutoutser(lnk)))
}
 
sim(500,500)

r 复制代码

mutoutser1<- function(links) {
  nr <- nrow(links)
  nc <- ncol(links)
  tot <- 0
  for (i in 1:(nr-1)) {
    tmp <- links[(i+1):nr,] %*% links[i,]
    tot <- tot + sum(tmp)
  }
  tot / (nr*(nr-1)/2)
}
sim1<- function(nr,nc) {
  lnk <- matrix(sample(0:1,(nr*nc),replace=TRUE),nrow=nr)
  print(system.time(mutoutser1(lnk)))
}

  sim1(500,500)
  sim1(2000,2000)

1.4.2 并行工具的选择snow 包

1.4.4 snow包的简介

先来总结一下 snow 包的操作:

使用了 scatter/gather范式 :我们同时有多个R的实例在运行，它们可

能在集群中的好几个机器 上，也有可能在一个多核机器 上,我们把其中的一个实例称为manáger，其他的称为worker。并行计算将如下进行:

1.4.5 并行代码

r 复制代码

library(parallel)

#该函数接收一个索引块(ichunk),使用参数lnks（全局变量，后面定义），计算矩阵的乘积并累加结果。
# 主要负责在并行计算中处理一部分数据的计算。
doichunk <- function(ichunk) {
  tot <- 0
  nr <- nrow(lnks)
  for (i in ichunk) {
    tmp <- lnks[(i+1):nr,] %*% lnks[i,]
    tot <- tot + sum(tmp)
  }
  return(tot)
}

# 1.该函数接收一个集群对象cls,将全局变量lnks导出到集群中。
# 2.将数据划分成多个块，给每个工作节点分配任务，并使用doichunk处理。
# 3.最后，计算所有工作节点的结果总和并取平均。
# ichunks[] cls[]
mutoutpar <- function(cls) {
  nr <- nrow(lnks)  # lnks global
  clusterExport(cls,"lnks") # 将links导出到cluster中
  ichunks <- clusterSplit(cls,1:(nr-1)) # ichunks是索引块的列表
  tots <- clusterApply(cls,ichunks,doichunk) # tots是每个工作节点的结果列表
  Reduce(sum,tots) / nr # 收集worker的结果并求平均
}

# 该函数用于生成一个大小为nr * nc的随机二进制矩阵lnks。
# 调用mutoutpar进行并行计算，并记录计算时间。
snowsim <- function(nr,nc,cls) {
  lnks <<- matrix(sample(0:1,(nr*nc),replace=TRUE),nrow=nr)
  print(system.time(mutoutpar(cls)))
}

# init本地多核机器集群
initmc <- function(nworkers) {
  makeCluster(nworkers) # return cluster object
}


#1.首先创建一个具有2个工作节点的集群并执行snowsim进行矩阵操作
#2.再次创建一个具有4个工作节点的集群并执行同样操作。
cluser=initmc(2)
snowsim(2000,2000,cluser)
system.time(mutoutser1(lnks)) # 之前的计算函数

cluser <-initmc(4)
snowsim(2000,2000,cluser)
system.time(mutoutser1(lnks))