R H2O - 内存管理

Question

我试图通过R使用H2O来html" target="_blank">构建多个模型，使用一个大型数据集的子集(~ 10GB)。该数据是一年的数据，我试图建立51个模型(即第一周的训练，第二周的预测，等等。)每周大约150-250万行，有8个变量。

我在一个循环中完成了这个操作，我知道这并不总是R中的最佳方法。我发现另一个问题是H2O实体会积累之前的对象，所以我创建了一个函数来删除除主数据集以外的所有对象。

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-经常抱怨运行内存溢出和交换到磁盘。

下面是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，在独立实体中管理数据和内存的正确方法是什么（这不是在hadoop或集群上运行——只是一个大型EC2实例（约64gb RAM 12 CPU））？对于这种类型的过程，我应该在每次循环后杀死并重新创建H2O实体吗？（这是原始过程，但每次从文件中读取数据每次迭代会增加约10分钟）？在每次循环后，是否有适当的方法来垃圾收集或释放内存？

任何建议将不胜感激。

Answer 1

这个问题的最新答案是，你应该只使用h2o.grid（）函数，而不是编写一个循环。

Answer 2

截至2015年12月15日的新建议:更新至最新稳定版本(提布拉尼3.6.0.8或更高版本)。我们完全重新设计了R

下一篇： H2O温度可以通过R死变量保持“活”...因此，每次循环迭代都运行 R gc（）。一旦R的GC删除了死变量，H2O将回收该内存。

之后，您的集群应该只保留专门命名的东西，比如加载的数据集和模型。你需要尽可能快地删除它们，以避免在K/V存储中积累大量数据。

如果您有任何其他问题，请通过发布到谷歌组h2o流让我们知道：https://groups.google.com/forum/#!forum/h2ostream

悬崖

Answer 3

这个答案适用于原始的H2O项目（版本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）中创建了许多带有“Last.value”前缀的临时H2O对象。

这些都可以在Web UI的商店视图中看到，也可以通过从r。

我建议做的是：

< li >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 < li >使用h2o.rm()删除您不想保留的任何内容，尤其是" Last.value" temps < li >在R循环中的某处显式调用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存储库中一个R测试的链接，该测试使用此技术，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。稀有