在 foreach 循环中运行 h2o 算法？

Question

我天真地认为在 foreach 循环中并行地多次调用 h2o.gbm 是很简单的。但是得到了一个奇怪的错误。

Error in { : 
         task 3 failed - "java.lang.AssertionError: Can't unlock: Not locked!"

下面的代码

library(foreach)
library(doParallel)
library(doSNOW)

Xtr.hf = as.h2o(Xtr)
Xval.hf = as.h2o(Xval)

cl = makeCluster(6, type="SOCK")
registerDoSNOW(cl)
junk <- foreach(i=1:6, 
            .packages=c("h2o"), 
            .errorhandling = "stop",
            .verbose=TRUE) %dopar% 
{
   h2o.init(ip="localhost", nthreads=2, max_mem_size = "5G") 
   for ( j in 1:3 ) { 
     bm2 <- h2o.gbm(
     training_frame = Xtr.hf,  
     validation_frame = Xval.hf, 
     x=2:ncol(Xtr.hf),
     y=1,          
     distribution="gaussian",
     ntrees = 100,
     max_depth = 3,
     learn_rate = 0.1,
     nfolds = 1)
  }
  h2o.shutdown(prompt=FALSE)    
  return(iname)
}
stopCluster(cl)

Answer 1

注意:这不太可能很好地使用 R 的并行 foreach，但我会先回答您的问题，然后再解释原因。 (顺便说一句，当我在这个答案中使用“集群”时，我指的是 H2O 集群(即使只是在您的本地机器上)，而不是 R“集群”。)

我已经重写了您的代码，假设目的是拥有一个单个 H2O 集群，所有模型都将在其中制作:

library(foreach)
library(doParallel)
library(doSNOW)
library(h2o)

h2o.init(ip="localhost", nthreads=-1, max_mem_size = "5G") 

Xtr.hf = as.h2o(Xtr)
Xval.hf = as.h2o(Xval)

cl = makeCluster(6, type="SOCK")
registerDoSNOW(cl)
junk <- foreach(i=1:6, 
            .packages=c("h2o"), 
            .errorhandling = "stop",
            .verbose=TRUE) %dopar% 
{
   for ( j in 1:3 ) { 
     bm2 <- h2o.gbm(
     training_frame = Xtr.hf,  
     validation_frame = Xval.hf, 
     x=2:ncol(Xtr.hf),
     y=1,          
     distribution="gaussian",
     ntrees = 100,
     max_depth = 3,
     learn_rate = 0.1,
     nfolds = 1)

   #TODO: do something with bm2 here?

  }
  return(iname)  #???
}
stopCluster(cl)

即大纲形式:

• 启动H2O，加载Xtr和Xval
• 在您的 R 客户端中启动 6 个线程
• 在每个线程中制作3个GBM模型(一个接一个)

我删除了 h2o.shutdown() 命令，我猜你不是故意的(当你关闭 H2O 集群时，你刚刚创建的模型就会被删除)。我已经强调了您可能希望对您的模型进行处理的地方。我已经为 H2O 提供了您机器上的所有线程(即 h2o.init() 中的 nthreads=-1)，而不仅仅是 2。

您可以并行制作 H2O 模型，但这通常不是一个好主意，因为它们最终会争夺资源。最好一次做一个，并依靠 H2O 自己的并行代码将计算分散到集群中。 (当集群是一台机器时，这往往非常有效。)

事实上你已经在 R 中创建了一个并行循环，这让我觉得你已经错过了 H2O 的工作方式:它是一个用 Java 编写的服务器，而 R 只是一个轻型客户端，它发送它调用 API。 GBM 计算不是在 R 中完成的；它们都是用 Java 代码完成的。

另一种解释代码的方法是运行多个 H2O 实例，即多个 H2O 集群。如果您有一组机器，并且您知道 H2O 算法在多节点集群中的扩展性不是很好，那么这可能是个好主意。在一台机器上做这件事几乎肯定是个坏主意。但是，为了争论，这就是你如何做的(未经测试):

library(foreach)
library(doParallel)
library(doSNOW)

cl = makeCluster(6, type="SOCK")
registerDoSNOW(cl)
junk <- foreach(i=1:6, 
            .packages=c("h2o"), 
            .errorhandling = "stop",
            .verbose=TRUE) %dopar% 
{
   library(h2o)
   h2o.init(ip="localhost", port = 54321 + (i*2), nthreads=2, max_mem_size = "5G") 

    Xtr.hf = as.h2o(Xtr)
    Xval.hf = as.h2o(Xval)

   for ( j in 1:3 ) { 
     bm2 <- h2o.gbm(
     training_frame = Xtr.hf,  
     validation_frame = Xval.hf, 
     x=2:ncol(Xtr.hf),
     y=1,          
     distribution="gaussian",
     ntrees = 100,
     max_depth = 3,
     learn_rate = 0.1,
     nfolds = 1)

    #TODO: save bm2 here
  }
  h2o.shutdown(prompt=FALSE)    
  return(iname)  #???
}
stopCluster(cl)

现在的大纲是:

• 创建 6 个 R 线程
• 在每个线程中，启动一个 H2O 集群，该集群在本地主机上运行，​​但在该集群独有的端口上。 (i*2 是因为每个 H2O 集群实际上使用两个端口。)
• 将您的数据上传到 H2O 集群(即这将重复 6 次，每个集群一次)。
• 制作 3 个 GBM 模型，一个接一个。
• 用这些模型做点什么
• 为当前线程终止集群。

如果您的机器上有 12 个以上的线程和 30 GB 以上的内存，并且数据相对较小，这与使用一个 H2O 集群并在其中制作 12 个 GBM 模型的效率大致相同串行。如果不是，我相信情况会更糟。 (但是，如果你已经在 6 台远程机器上预先启动了 6 个 H2O 集群，这可能是一个有用的方法 - 我必须承认我一直想知道如何做到这一点，并且我从来没有想过使用并行库，直到我看到你的问题了!)

注意:从当前版本 (3.10.0.6) 开始，我知道上面的代码将不起作用，因为有 a bug。在 h2o.init() 中，这实际上意味着它忽略了端口。 (解决方法:在命令行上预启动所有 6 个 H2O 集群，或在环境变量中设置端口。)