你好,游客 登录
背景:
阅读新闻

数据太大爆内存怎么办?七条解决思路

[日期:2017-05-31] 来源:雷锋网  作者:Jason Brownlee [字体: ]

  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。

大数据

  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。





收藏 推荐 打印 | 录入:elainebo | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款