运行 LinearRegressionwithSGD 时 Spark 未利用所有核心

Question

我在本地机器上运行 Spark（16G，8 cpu 核）。我试图在 300MB 大小的数据集上训练线性回归模型。我检查了 cpu 统计数据和程序运行，它只执行一个线程。文档说他们已经实现了 SGD 的分布式版本。 http://spark.apache.org/docs/latest/mllib-linear-methods.html#implementation-developer

from pyspark.mllib.regression import LabeledPoint, LinearRegressionWithSGD, LinearRegressionModel
from pyspark import SparkContext


def parsePoint(line):
  values = [float(x) for x in line.replace(',', ' ').split(' ')]
  return LabeledPoint(values[0], values[1:])

sc = SparkContext("local", "Linear Reg Simple")
data = sc.textFile("/home/guptap/Dropbox/spark_opt/test.txt")
data.cache()
parsedData = data.map(parsePoint)


model = LinearRegressionWithSGD.train(parsedData)

valuesAndPreds = parsedData.map(lambda p: (p.label,model.predict(p.features)))
MSE = valuesAndPreds.map(lambda (v, p): (v - p)**2).reduce(lambda x, y: x + y) / valuesAndPreds.count()
print("Mean Squared Error = " + str(MSE))


model.save(sc, "myModelPath")
sameModel = LinearRegressionModel.load(sc, "myModelPath")

Answer 1

我认为您想做的是明确说明要在本地上下文中使用的核心数。正如您从注释 here 中看到的那样，"local"（这就是您正在做的）在一个线程上实例化一个上下文，而 "local[4]" 将运行具有 4 个内核。我相信您也可以在系统的所有内核上使用 "local[*]" 到运行。

运行 LinearRegressionwithSGD 时 Spark 未利用所有核心

Spark not utilizing all the core while running LinearRegressionwithSGD

apache-spark

apache-spark-mllib