python – Spark的KMeans无法处理bigdata吗?
KMeans的
training有几个参数,初始化模式默认为kmeans ||.问题是它快速(少于10分钟)前进到前13个阶段,然后完全挂起,不会产生错误!
再现问题的最小示例(如果我使用1000点或随机初始化,它将成功): from pyspark.context import SparkContext from pyspark.mllib.clustering import KMeans from pyspark.mllib.random import RandomRDDs if __name__ == "__main__": sc = SparkContext(appName='kmeansMinimalExample') # same with 10000 points data = RandomRDDs.uniformVectorRDD(sc,10000000,64) C = KMeans.train(data,8192,maxIterations=10) sc.stop() 这项工作什么都不做(它没有成功,失败或进展……),如下所示. “执行程序”选项卡中没有活动/失败的任务. Stdout和Stderr Logs没有特别有趣的东西: 如果我使用k = 81而不是8192,它将成功: 注意两个调用takeSample(),should not be an issue,因为在随机初始化的情况下调用了两次. 那么,发生了什么? Spark的Kmeans无法扩展吗?有人知道吗?你可以重现吗? 如果是内存问题,I would get warnings and errors,as I had been before. 注意:placeybordeaux的注释基于在客户端模式下执行作业,其中驱动程序的配置无效,导致退出代码143等(请参阅编辑历史记录),而不是群集模式,其中根本没有报告错误,应用程序只是挂起. 从零323:Why is Spark Mllib KMeans algorithm extremely slow?是相关的,但我认为他见证了一些进展,而我的挂起,我确实发表评论…… 解决方法
我认为’悬挂’是因为你的遗嘱执行人不断死亡.正如我在旁边的会话中提到的,这个代码对我来说很好,本地和群集,Pyspark和Scala.但是,它需要更长的时间.几乎所有时间花在k-means ||上初始化.
我开了https://issues.apache.org/jira/browse/SPARK-17389跟踪两个主要的改进,其中一个你现在可以使用.编辑:真的,另见https://issues.apache.org/jira/browse/SPARK-11560 首先,有一些代码优化可以将init加速大约13%. 然而,大多数问题是它默认为k-means ||的5个步骤init,当看起来2几乎总是那么好.您可以将初始化步骤设置为2以查看加速,尤其是在现在挂起的阶段. 在我的笔记本电脑上的(较小的)测试中,初始时间从5:54到1:41进行了两次更改,主要是因为设置了初始化步骤. (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |