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，然后解释原因。 （顺便说一句，当我在此答案中使用“集群”时，我指的是 H2O 集群（即使只是在您的本地计算机上），而不是 R“集群”。）
我已经重新编写了您的代码，假设意图是拥有一个单个 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，并将
Xtr 和 Xval 加载到其中
- 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）
我放弃了h2o.shutdown() 命令，猜测您不是故意的（当您关闭 H2O 集群时，您刚刚创建的模型会被删除）。我已经强调了你可能想对你的模型做些什么。而且我已经给了 H2O 你机器上的所有线程（即h2o.init() 中的nthreads=-1），而不仅仅是2。
您可以并行制作 H2O 模型，但这通常是个坏主意，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布在集群上。 （当集群是单机时，这往往非常有效。）
事实上，你在 R 中创建了一个并行循环，这让我觉得你错过了 H2O 的工作方式：它是一个用 Java 编写的服务器，而 R 只是一个轻客户端，它发送它的 API 调用。 GBM 计算不在 R 中完成；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，这可能是一个好主意，并且您知道 H2O 算法在多节点集群中的扩展性不是很好。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，这就是你的做法（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 localhost 上运行，但在该集群唯一的端口上。 （
i*2 是因为每个 H2O 集群实际上使用了两个端口。）
- 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
- 为当前线程杀死集群。
如果你的机器上有 12+ 个线程和 30+ GB 内存，并且数据相对较小，这将大致与使用一个 H2O 集群并在其中制作 12 GBM 模型一样有效串行。如果没有，我相信情况会更糟。 （但是，如果您在 6 台远程机器上预先启动了 6 个 H2O 集群，这可能是一种有用的方法 - 我必须承认我一直想知道如何做到这一点，并且使用并行库直到我从未想到我看到了你的问题！）
注意：从当前版本 (3.10.0.6) 开始，我知道上面的代码不起作用，因为 h2o.init() 中有 a bug 这实际上意味着它忽略了港口。 （解决方法：在命令行中预先启动所有 6 个 H2O 集群，或者在环境变量中设置端口。）