怎么使用Apache Spark實現分布式隨機森林

本篇內容主要講解“怎么使用Apache Spark實現分布式隨機森林”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“怎么使用Apache Spark實現分布式隨機森林”吧!

實驗概述

我們使用公共可用的紐約出租車數據集，并訓練一個隨機森林回歸器，該回歸器可以使用與乘客接送相關的屬性來預測出租車的票價金額。以2017年、2018年和2019年的出租車出行量為訓練集，共計300700143個實例。

硬件

Spark集群使用Amazon EMR進行管理，而Dask/RAPIDS集群則使用Saturn Cloud進行管理。

兩個集群都有20個工作節點，具有以下AWS實例類型：

Spark：r5.2xlarge

• 8個CPU，64 GB RAM

• 按需價格：0.504美元/小時

RAPIDS：g4dn.xlarge

• 4個CPU，16 GB RAM

• 1個GPU，16 GB GPU RAM（NVIDIA T4）

• 按需價格：0.526美元/小時

Saturn Cloud也可以用NVIDIA特斯拉V100 GPU來啟動Dask集群，但我們在這個練習中選擇了g4dn.xlarge，保持與Spark集群相似的小時成本概況。

Spark

Apache Spark是一個在Scala中構建的開源大數據處理引擎，它有一個Python接口，可以調用Scala/JVM代碼。

它是Hadoop處理生態系統中的一個重要組成部分，圍繞MapReduce范例構建，并且具有用于數據幀和機器學習的接口。

設置Spark集群不在本文的討論范圍之內，但是一旦準備好集群，就可以在Jupyter Notebook中運行以下命令來初始化Spark：

import findspark
findspark.init()

from pyspark.sql import SparkSession

spark = (SparkSession
        .builder
        .config('spark.executor.memory', '36g')
        .getOrCreate())

findspark包檢測系統上的Spark安裝位置；如果可以知道Spark包的安裝位置，則可能不需要這樣做。

要獲得有性能的Spark代碼，需要設置幾個配置設置，這取決于集群設置和工作流。在這種情況下，我們設置spark.executor.memory以確保我們不會遇到任何內存溢出或Java堆錯誤。

RAPIDS

NVIDIA RAPIDS是一個開源的Python框架，它在gpu而不是cpu上執行數據科學代碼。類似于在訓練深度學習模型時所看到的，這將為數據科學工作帶來巨大的性能提升。

RAPIDS有數據幀、ML、圖形分析等接口。RAPIDS使用Dask來處理與具有多個gpu的機器的并行化，以及每個具有一個或多個gpu的機器集群。

設置GPU機器可能有點棘手，但是Saturn Cloud已經為啟動GPU集群預構建了映像，所以你只需幾分鐘就可以啟動并運行了！要初始化指向群集的Dask客戶端，可以運行以下命令：

from dask.distributed import Client
from dask_saturn import SaturnCluster

cluster = SaturnCluster()
client = Client(cluster)

數據加載

數據文件托管在一個公共的S3 bucket上，因此我們可以直接從那里讀取csv。S3 bucket的所有文件都在同一個目錄中，所以我們使用s3fs來選擇我們想要的文件：

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']

使用Spark，我們需要單獨讀取每個CSV文件，然后將它們組合在一起：

import functools
from pyspark.sql.types import *
import pyspark.sql.functions as F
from pyspark.sql import DataFrame

# 手動指定模式，因為read.csv中的inferSchema非常慢
schema = StructType([
    StructField('VendorID', DoubleType()),
    StructField('tpep_pickup_datetime', TimestampType()),
    ...
    # 參考notebook獲得完整對象模式
]) 

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()

使用Dask+RAPIDS，我們可以一次性讀取所有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)

特征工程

我們將根據時間生成一些特征，然后保存數據幀。在這兩個框架中，這將執行所有CSV加載和預處理，并將結果存儲在RAM中（在RAPIDS的情況下是GPU RAM）。我們將用于訓練的特征包括：

features = ['pickup_weekday', 'pickup_hour', 'pickup_minute',
            'pickup_week_hour', 'passenger_count', 'VendorID', 
            'RatecodeID', 'store_and_fwd_flag', 'PULocationID', 
            'DOLocationID']

對于Spark，我們需要將特征收集到向量類中：

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()

對于RAPIDS，我們將所有浮點值轉換為float32，以便進行GPU計算：

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)

訓練隨機森林

我們只需要幾行代碼就可以訓練隨機森林。

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)

結果

我們對Spark（CPU）和RAPIDS（GPU）集群上的300700143個紐約出租車數據實例訓練了一個隨機森林模型。兩個集群都有20個工作節點，每小時價格大致相同。以下是工作流每個部分的結果：

37分鐘的Spark 與1秒的RAPIDS！

GPU勝利！想一想，一次擬合你不需要等待37分鐘了，這將加快之后迭代和改進模型的速度。而在CPU上，一旦添加了超參數調優或測試不同的模型，迭代都很容易累積到數小時或數天。

到此，相信大家對“怎么使用Apache Spark實現分布式隨機森林”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！