我正在运行一个贝叶斯 MCMC 概率模型,我正在尝试并行实现它。在比较并行和串行时,我的机器性能得到了令人困惑的结果。我在并行处理方面没有很多经验,所以可能我做得不对。
我正在使用 MCMCprobit
在 MCMCpack
用于 probit 模型和并行处理的包我正在使用 parLapply
在 parallel
包裹。
这是我的串行运行代码,以及来自 system.time
的结果:
system.time(serial<-MCMCprobit(formula=econ_model,data=mydata,mcmc=10000,burnin=100))
user system elapsed
657.36 73.69 737.82
这是我的并行运行代码:
#Setting up the functions for parLapply:
probit_modeling <- function(...) {
args <- list(...)
library(MCMCpack)
MCMCprobit(formula=args$model, data=args$data, burnin=args$burnin, mcmc=args$mcmc, thin=1)
}
probit_Parallel <- function(mc, model, data,burnin,mcmc) {
cl <- makeCluster(mc)
## To make this reproducible:
clusterSetRNGStream(cl, 123)
library(MCMCpack) # needed for c() method on master
probit.res <- do.call(c, parLapply(cl, seq_len(mc), probit_modeling, model=model, data=data,
mcmc=mcmc,burnin=burnin))
stopCluster(cl)
return(probit.res)
}
system.time(test<-probit_Parallel(model=econ_model,data=mydata,mcmc=10000,burnin=100,mc=2))
以及来自
system.time
的结果: user system elapsed
0.26 0.53 1097.25
任何想法为什么并行进程的用户和系统时间会短得多,但耗时却长得多?我在更短的 MCMC 运行(100 和 1000)中尝试过,结果是一样的。我假设我在某个地方犯了错误。
这是我的电脑规范:
最佳答案
在我看来,这两个 worker 所做的工作与顺序版本中所做的工作一样多。为了比代码的顺序版本执行得更快,工作人员应该只执行总工作的一小部分。这可以通过划分 mcmc
来实现。通过本示例中的 worker 数量,尽管这可能不是您真正想要做的。
我认为这解释了 system.time
报告的经过很长时间. “用户”和“系统”时间很短,因为它们是主进程执行 parLapply
时使用很少 CPU 时间的时间。 :实际 CPU 时间由 system.time
未报告的工作人员使用.
关于r - 并行和串行处理的系统时间,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30669328/