foreach并行化%dopar%

终于！最近在做代码优化的时候发现部分代码可以使用并行化实现，太多重复工作，于是决定使用parallel包和doRNG包实现。
话不多说，直接导入包：

library("foreach")
library("doParallel")
library("doRNG")

foreach比传统apply组函数的优越之处在于，它可以通过调用操作系统的多核运行性能来执行并行任务，这样特别是对于I/O密集型任务而言，可以大大节省代码执行效率。
我们来看一下用法：

foreach(..., .combine, .init, .final=NULL, .inorder=TRUE,
       .multicombine=FALSE,
       .maxcombine=if (.multicombine) 100 else 2,
       .errorhandling=c('stop', 'remove', 'pass'),
       .packages=NULL, .export=NULL, .noexport=NULL,
       .verbose=FALSE)%dopar%{f(x)}

参数解释：

• %do%是按顺序执行，不是并行计算！之前吃了好久的坑，%dopar%才是，速度会快很多
• .combine：运算之后结果的显示方式，default是list，“c”返回vector， cbind和rbind返回矩阵
• .packages：指定在%dopar%运算过程中依赖的package（%do%会忽略这个选项），用于并行一些机器学习算法。
• .export:在编译函数的时候依赖的变量，比如自定义的函数、数据集啥的

注意：每次并行化是独立运行的，所以不管你什么时候、是否在全局环境中调用了某函数或者某变量等等，都需要在.packages和.export中加上，当然你可以有其他的解决方案，这种是最方便的！！
如果你没有做这个，你就会发现报错：找不到xxx函数！！！各种找不到，然后你肯定会疑惑：我明明load、source了，为什么还提示没有。。。

1. 最简单用法

foreach(a=1:3, b=rep(10, 3)) %do% {
  a + b
}

不是并行，类似lapply功能

lapply(cbind(1:3,rep(10,3),function(x,y) x+y ))

2. 并行
   话不多说，直接并行，学这个不就是为了它吗。
   首先要检测计算机环境的核心数

n_cores <- detectCores() - 1

最好保留一个，做人留一线，日后好相见！
然后构建集群

cl <- makeCluster(n_cores)

最后注册并行化

doParallel::registerDoParallel(cl, cores = n_cores)

好了，你已经学会了，现在直接foreach就完事了。

最后不要忘记了，每次并行化代码要加上

parallel::stopCluster(cl)

不然你的环境核心还一直没有被收回，只剩一个核了😂。
来个简单的例子看看：

i <- NULL
n_cores <- detectCores() - 1
  cl <- makeCluster(n_cores)
  doParallel::registerDoParallel(cl, cores = n_cores)
res <- foreach(i= 2:4, 
        	   .combine = c,
               .packages="randomForest",
               .export = "base"
        )  %dopar%  {
        	try({
	        	base^exponent
		        randomForest(x, y, ntree=ntree)
        	})    
        }
        parallel::stopCluster(cl)
}

随便写的，可能没什么含义，意思到了就行！
好的，够用了，下课！