内存不够解决大数据问题

在研究、应用机器学习算法的经历中,相信大伙儿经常遇到数据集太大、内存不够用的情况。

这引出一系列问题:

  • 怎么加载十几、几十 GB 的数据文件?

  • 运行数据集的时候算法崩溃了,怎么办?

  • 怎么处理内存不足导致的错误?

本文将讨论一些常用的解决办法,供大家参考。

处理大型 ML 数据文件的七种思路

1. 分配更多内存

有的机器学习工具/库有默认内存设置,比如 Weka。这便是一个限制因素。

你需要检查一下:是否能重新设置该工具/库,分配更多内存。

对于 Weka,你可以在打开应用时,把内存当作一个参数进行调整。

2. 用更小的样本

你真的需要用到全部数据吗?

可以采集一个数据的随机样本,比如前 1,000 或 100,000 行。在全部数据上训练最终模型之前(使用渐进式的数据加载技巧),先试着用这个小样本解决问题。

总的来说,对算法做快速地抽查、看到结果在前后的变化,在机器学习领域是一个很好的习惯。

你还可以考虑:相对于模型技巧,做一个数据大小的敏感性分析。或许,对于你的随机小样本,有一个天然的边际效应递减分水岭。越过这个关口,继续增加的数据规模带来的好处微乎其微。

3. 更多内存

你必须要用 PC 吗?

你可以考虑内存、性能高一个量级的计算设备。比如,租用 AWS 这样的云服务。租用云端有数十 GB 内存的机器,最低价格每小时不到一美元。我个人觉得这是非常实际的选择。

4. 转换数据格式

你是否把数据存为原始的 ASCII 文本,比如 CSV 文件?

或许,使用其它格式能加速数据载入并且降低内存占用。好的选择包括像 GRIB、NetCDF、HDF 这样的二进制格式。

有很多命令行工具能帮你转换数据格式,而且不需要把整个数据集载入内存里。

换一种格式,可能帮助你以更紧凑的形式存储数据,节省内存空间;比如 2-byte 整数,或者 4-byte 浮点。

5. 流式处理数据,或渐进式的数据加载

你的所有数据,需要同时出现在内存里吗?

或许,你可以用代码或库,随时把需要的数据做流式处理或渐进式加载,导入内存里训练模型。

这可能需要算法使用优化技术迭代学习,比如使用随机梯度下降。那些需要内存里有所有数据、以进行矩阵运算的算法,比如某些对线性回归和逻辑回归的实现,就不适用了。

比如,Keras 深度学习 API 就提供了渐进式加载图像文件的功能,名为 flow_from_directory

另一个例子式 Pandas 库,可批量载入大型 CSV 文件。

6. 使用关系数据库(Relational database)

关系数据库为存储、访问大型数据集提供了标准化的方法。

在内部,数据存在硬盘中,能渐进式地 in batch 批量加载,并使用标准检索语言 SQL 检索。

像 MySQL、Postgres 这样的开源数据库工具,支持绝大多数的(全部?)编程语言。许多机器学习工具,都能直接与关系数据库连通。你也可以用 SQLite 这样更轻量的方法。

我发现,这种方法对大型表格式数据集非常有效率。

雷锋网提醒,你需要用能迭代学习的算法。

7. 使用大数据平台

有的情况下,你可能必须要使用大数据平台,即为处理超大型数据集而开发的平台。它们能让你进行数据转换,并在其上开发机器学习算法。

两个很好的例子是 Hadoop 与机器学习库 Mahout,以及 Spark 与 MLLib 库。

我认为,这是用尽上述办法仍无法解决的情况下,才需要采用的最后手段。单纯是这为你的机器学习项目所带来的额外硬件、软件复杂情况,就会消耗许多精力。

即便如此,有的任务确实数据太过庞大,前面的选项都无法奏效。

 

如何解决处理大数据的时候的内存不足?

比如现在手上有70亿+1份身高数据,如何用有限的4GB内存找到这些数据中的中间值(也就是从小到大排列的第35亿个人的身高)

粗略计算了一下,4GB/sizeof(double)约等于5亿,也就是说无法把这70亿份数据同时放入内存中进行处理。


求可行的方案(内存可以反复擦写)

磁盘没要求的话,桶排序,然后直接找第35亿个记录。

桶排序就是文件分份然后每一份快排,排完了堆排。

全排到一个文件里之后,读一个数个数,数到中间就输出。

 

其实已经有的答案里开数组数数是线性时间最优的。

 

————————————————————————————————————————————————————————

首先,我觉得这个不是大数据的范畴。
对于大量的数据处理,如果使用内存有限制(一般在面试题中有更好的表述方式),应该采用的方式有一下几种:

  1. 分而治之/hash映射 + hash统计 + 堆/快速/归并排序;
  2. 双层桶划分
  3. Bloom filter/Bitmap;
  4. Trie树/数据库/倒排索引;
  5. 外排序;
  6. 分布式处理之Hadoop/Mapreduce。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值