作者|Aaron Richter
编译|VK
起源|Towards Data Science
随机森林是一种机器学习算法，以其鲁棒性、准确性和可扩展性而受到许多数据科学家的信赖。
该算法通过bootstrap聚合训练出多棵决策树，而后通过集成对输入进行预测。因为其集成特色的特点，随机森林是一种能够在分布式计算环境中实现的算法。树能够在集群中跨过程和机器并行训练，后果比应用单个过程的训练工夫快得多。
在本文中，咱们摸索了应用Apache Spark在CPU机器集群上实现分布式随机森林训练，并将其与应用NVIDIA RAPIDS和Dask的GPU机器集群上的训练性能进行了比拟。
尽管GPU计算传统上是为深度学习利用而保留的，但RAPIDS是一个在GPU上执行数据处理和非深度学习ML工作的库，与在cpu上执行相比，它能够大大提高性能。
咱们应用3亿个实例训练了一个随机森林模型：Spark在20个节点CPU集群上耗时37分钟，而RAPIDS在20个节点GPU集群上耗时1秒。GPU的速度进步了2000倍以上!
试验概述
咱们应用公共可用的纽约出租车数据集，并训练一个随机森林回归器，该回归器能够应用与乘客接送相干的属性来预测出租车的票价金额。以2017年、2018年和2019年的出租车出行量为训练集，共计300700143个实例。
数据集链接：https://www1.nyc.gov/site/tlc…
Spark和RAPIDS代码能够在Jupyter Notebook中找到。
硬件
Spark集群应用Amazon EMR进行治理，而Dask/RAPIDS集群则应用Saturn Cloud进行治理。
两个集群都有20个工作节点，具备以下AWS实例类型：
Spark：r5.2xlarge
- 8个CPU，64 GB RAM
- 按需价格：0.504美元/小时
RAPIDS：g4dn.xlarge
- 4个CPU，16 GB RAM
- 1个GPU，16 GB GPU RAM（NVIDIA T4）
- 按需价格：0.526美元/小时
Saturn Cloud也能够用NVIDIA特斯拉V100 GPU来启动Dask集群，但咱们在这个练习中抉择了g4dn.xlarge，放弃与Spark集群类似的小时老本详情。
Spark
Apache Spark是一个在Scala中构建的开源大数据处理引擎，它有一个Python接口，能够调用Scala/JVM代码。
它是Hadoop解决生态系统中的一个重要组成部分，围绕MapReduce范例构建，并且具备用于数据帧和机器学习的接口。
设置Spark集群不在本文的探讨范畴之内，然而一旦筹备好集群，就能够在Jupyter Notebook中运行以下命令来初始化Spark：
import findspark
findspark.init()
from pyspark.sql import SparkSession
spark = (SparkSession
.builder
.config('spark.executor.memory', '36g')
.getOrCreate())findspark包检测零碎上的Spark装置地位；如果能够晓得Spark包的装置地位，则可能不须要这样做。
要取得有性能的Spark代码，须要设置几个配置设置，这取决于集群设置和工作流。在这种状况下，咱们设置spark.executor.memory以确保咱们不会遇到任何内存溢出或Java堆谬误。
RAPIDS
NVIDIA RAPIDS是一个开源的Python框架，它在gpu而不是cpu上执行数据迷信代码。相似于在训练深度学习模型时所看到的，这将为数据迷信工作带来微小的性能晋升。
RAPIDS有数据帧、ML、图形剖析等接口。RAPIDS应用Dask来解决与具备多个gpu的机器的并行化，以及每个具备一个或多个gpu的机器集群。
设置GPU机器可能有点辣手，然而Saturn Cloud曾经为启动GPU集群预构建了映像，所以你只需几分钟就能够启动并运行了！要初始化指向群集的Dask客户端，能够运行以下命令：
from dask.distributed import Client
from dask_saturn import SaturnCluster
cluster = SaturnCluster()
client = Client(cluster)要本人设置Dask集群，请参阅此docs页面：https://docs.dask.org/en/late…
数据加载
数据文件托管在一个公共的S3 bucket上，因而咱们能够间接从那里读取csv。S3 bucket的所有文件都在同一个目录中，所以咱们应用s3fs来抉择咱们想要的文件：
import s3fs
fs = s3fs.S3FileSystem(anon=True)
files = [f"s3://{x}" for x in fs.ls('s3://nyc-tlc/trip data/')
if 'yellow' in x and ('2019' in x or '2018' in x or '2017' in x)]
cols = ['VendorID', 'tpep_pickup_datetime', 'tpep_dropoff_datetime', 'passenger_count', 'trip_distance',
'RatecodeID', 'store_and_fwd_flag', 'PULocationID', 'DOLocationID', 'payment_type', 'fare_amount',
'extra', 'mta_tax', 'tip_amount', 'tolls_amount', 'improvement_surcharge', 'total_amount']应用Spark，咱们须要独自读取每个CSV文件，而后将它们组合在一起：
import functools
from pyspark.sql.types import *
import pyspark.sql.functions as F
from pyspark.sql import DataFrame
# 手动指定模式，因为read.csv中的inferSchema十分慢
schema = StructType([
StructField('VendorID', DoubleType()),
StructField('tpep_pickup_datetime', TimestampType()),
...
# 参考notebook取得残缺对象模式
])
def read_csv(path):
df = spark.read.csv(path,
header=True,
schema=schema,
timestampFormat='yyyy-MM-dd HH:mm:ss',
)
df = df.select(cols)
return df
dfs = []
for tf in files:
df = read_csv(tf)
dfs.append(df)
taxi = functools.reduce(DataFrame.unionAll, dfs)
taxi.count()应用Dask+RAPIDS，咱们能够一次性读取所有CSV文件：
import dask_cudf
taxi = dask_cudf.read_csv(files,
assume_missing=True,
parse_dates=[1,2],
usecols=cols,
storage_options={'anon': True})
len(taxi)特色工程
咱们将依据工夫生成一些特色，而后保留数据帧。在这两个框架中，这将执行所有CSV加载和预处理，并将后果存储在RAM中（在RAPIDS的状况下是GPU RAM）。咱们将用于训练的特色包含：
features = ['pickup_weekday', 'pickup_hour', 'pickup_minute',
'pickup_week_hour', 'passenger_count', 'VendorID',
'RatecodeID', 'store_and_fwd_flag', 'PULocationID',
'DOLocationID']对于Spark，咱们须要将特色收集到向量类中：
from pyspark.ml.feature import VectorAssembler
from pyspark.ml.pipeline import Pipeline
taxi = taxi.withColumn('pickup_weekday', F.dayofweek(taxi.tpep_pickup_datetime).cast(DoubleType()))
taxi = taxi.withColumn('pickup_hour', F.hour(taxi.tpep_pickup_datetime).cast(DoubleType()))
taxi = taxi.withColumn('pickup_minute', F.minute(taxi.tpep_pickup_datetime).cast(DoubleType()))
taxi = taxi.withColumn('pickup_week_hour', ((taxi.pickup_weekday * 24) + taxi.pickup_hour).cast(DoubleType()))
taxi = taxi.withColumn('store_and_fwd_flag', F.when(taxi.store_and_fwd_flag == 'Y', 1).otherwise(0))
taxi = taxi.withColumn('label', taxi.total_amount)
taxi = taxi.fillna(-1)
assembler = VectorAssembler(
inputCols=features,
outputCol='features',
)
pipeline = Pipeline(stages=[assembler])
assembler_fitted = pipeline.fit(taxi)
X = assembler_fitted.transform(taxi)
X.cache()
X.count()对于RAPIDS，咱们将所有浮点值转换为float32，以便进行GPU计算：
from dask import persist
from dask.distributed import wait
taxi['pickup_weekday'] = taxi.tpep_pickup_datetime.dt.weekday
taxi['pickup_hour'] = taxi.tpep_pickup_datetime.dt.hour
taxi['pickup_minute'] = taxi.tpep_pickup_datetime.dt.minute
taxi['pickup_week_hour'] = (taxi.pickup_weekday * 24) + taxi.pickup_hour
taxi['store_and_fwd_flag'] = (taxi.store_and_fwd_flag == 'Y').astype(float)
taxi = taxi.fillna(-1)
X = taxi[features].astype('float32')
y = taxi['total_amount']
X, y = persist(X, y)
_ = wait([X, y])
len(X)训练随机森林
咱们只须要几行代码就能够训练随机森林。
Spark：
from pyspark.ml.regression import RandomForestRegressor
rf = RandomForestRegressor(numTrees=100, maxDepth=10, seed=42)
fitted = rf.fit(X)RAPIDS：
from cuml.dask.ensemble import RandomForestRegressor
rf = RandomForestRegressor(n_estimators=100, max_depth=10, seed=42)
_ = rf.fit(X, y)后果
咱们对Spark（CPU）和RAPIDS（GPU）集群上的300700143个纽约出租车数据实例训练了一个随机森林模型。两个集群都有20个工作节点，每小时价格大致相同。以下是工作流每个局部的后果：
| Task | Spark | RAPIDS |
|---|---|---|
| Load/rowcount | 20.6 seconds | 25.5 seconds |
| Feature engineering | 54.3 seconds | 23.1 seconds |
| Random forest | 36.9 minutes | 1.02 seconds |
37分钟的Spark 与1秒的RAPIDS！
GPU胜利！想一想，一次拟合你不须要期待37分钟了，这将放慢之后迭代和改良模型的速度。而在CPU上，一旦增加了超参数调优或测试不同的模型，迭代都很容易累积到数小时或数天。
你须要看到能力置信吗？你能够在这里找到Notebook，而后本人运行测试：https://github.com/saturnclou…
你须要更快的随机森林吗
对！你能够在几秒钟内用Saturn Cloud进入Dask/RAPIDS。Saturn解决所有工具基础设施、安全性和部署方面的难题，让你立刻启动并运行RAPIDS。点击这里在你的AWS帐户收费试用Saturn：https://manager.aws.saturnent…
原文链接：https://towardsdatascience.co…
欢送关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/
发表回复