我想使用Spark MLlib LDA来总结我的文档语料库。
我的问题设置如下:
- 约有100,000个文档 - 约有400,000个唯一单词 - 100个聚类
我有16台服务器(每个服务器有20个内核和128GB内存)。 当我使用OnlineLDAOptimizer执行LDA时,它会出现内存错误,建议我增加spark.driver.maxResultSize,例如: Total size of serialized results of 11 tasks (1302 MB) is bigger than spark.driver.maxResultSize 我将spark.driver.maxResultSize增加到120GB (并且也将spark.driver.memory增加到120GB),重新运行LDA但仍然报错。
它仍然说: Total size of serialized results of 11 tasks (120.1 GB) is bigger than spark.driver.maxResultSize 我尝试另一个数据集,大约有100,000个唯一的单词,它能正常工作。
那么,我该如何估计使用Spark MLlib LDA时的内存使用情况?我在官方文档中找不到任何规范。
请注意,我用稀疏向量构建了传递给LDA.run()的文档RDD[(Long, Vector)],但不知道Spark LDA是否能够正确处理稀疏格式。
(编辑) 我使用的是Scala版本的LDA。 不是Python版本。
这可能是相关的问题,但没有明确的答案。 Spark LDA woes - prediction and OOM questions (编辑)
这是我的代码片段(gist)。 https://gist.github.com/lucidfrontier45/11420721c0078c5b7415
实际上,我使用LDA对交易数据进行降维。我的数据格式为
谢谢。
我的问题设置如下:
- 约有100,000个文档 - 约有400,000个唯一单词 - 100个聚类
我有16台服务器(每个服务器有20个内核和128GB内存)。 当我使用OnlineLDAOptimizer执行LDA时,它会出现内存错误,建议我增加spark.driver.maxResultSize,例如: Total size of serialized results of 11 tasks (1302 MB) is bigger than spark.driver.maxResultSize 我将spark.driver.maxResultSize增加到120GB (并且也将spark.driver.memory增加到120GB),重新运行LDA但仍然报错。
它仍然说: Total size of serialized results of 11 tasks (120.1 GB) is bigger than spark.driver.maxResultSize 我尝试另一个数据集,大约有100,000个唯一的单词,它能正常工作。
那么,我该如何估计使用Spark MLlib LDA时的内存使用情况?我在官方文档中找不到任何规范。
请注意,我用稀疏向量构建了传递给LDA.run()的文档RDD[(Long, Vector)],但不知道Spark LDA是否能够正确处理稀疏格式。
(编辑) 我使用的是Scala版本的LDA。 不是Python版本。
这可能是相关的问题,但没有明确的答案。 Spark LDA woes - prediction and OOM questions (编辑)
这是我的代码片段(gist)。 https://gist.github.com/lucidfrontier45/11420721c0078c5b7415
def startJob(args: RunArgs)(implicit sc: SparkContext): Unit = {
val src = sc.textFile(args.fname, minPartitions = args.n_partitions).map(_.split("\t"))
.flatMap {
// input file's format is (user_id, product_name, count)
case Array(u, p, r, t) => Some((u.toInt, p.toInt, r.toDouble))
case _ => None
}.persist()
// Map to convert user_id or product_name into unique sequencential id
val userid_map = src.map(_._1).distinct().zipWithIndex().collect().toMap
val productid_map = src.map(_._2).distinct().zipWithIndex().collect().toMap
val inverse_userid_map = userid_map.map(_.swap)
// broadcat to speedup RDD map operation
val b_userid_map = sc.broadcast(userid_map)
val b_productid_map = sc.broadcast(productid_map)
val b_inverse_userid_map = sc.broadcast(inverse_userid_map)
// run map
val transformed_src = src.map { case (u, p, r) =>
(b_userid_map.value(u), b_productid_map.value(p).toInt, r)
}
println("unique items = %d".format(b_productid_map.value.size))
// prepare for LDA input RDD[(LONG, Vector)]
val documents = transformed_src.map { case (u, p, r) => (u, (p, r)) }
.groupByKey()
.map { t => (t._1, Vectors.sparse(b_productid_map.value.size, t._2.toSeq)) }.persist()
documents.count()
src.unpersist()
// run Online Variational LDA
val ldamodel = new LDA()
.setK(args.k)
.setMaxIterations(args.n_iter)
.setOptimizer("online")
.run(documents)
.asInstanceOf[LocalLDAModel]
val result = ldamodel.topicDistributions(documents)
.map { case (i, v) =>
val u = b_inverse_userid_map.value(i)
"%d,%s".format(u, v.toArray.mkString(","))
}
result.saveAsTextFile(args.out)
}
实际上,我使用LDA对交易数据进行降维。我的数据格式为
(u,p,r)
,其中u
是用户ID,p
是产品名称,r
是用户u
与p
互动的次数。在这种情况下,用户对应文档,产品对应单词。由于用户ID和产品名称是任意字符串,因此在提交到LDA之前,我将它们转换为唯一的顺序整数。谢谢。
mllib
LDA在训练时可以正确处理稀疏向量。 - Patrick the CattopicsMatrix
(#文档#聚类)和describeTopics
(这与(#聚类#令牌* 2)成比例)。乍一看,它不应占用120GB,但仍然很多。 - zero323HashingTF
设置特征数为2^18-1
(比默认值少一个)一切正常工作,我可以使用spark.driver.memory=1g
保存整个管道。使用默认的2^18
会导致保存操作产生堆空间OOM错误。我还尝试将spark.driver.memory
和spark.driver.maxResultSize
增加到8g
,但对于2^18
特征没有帮助 - 我不清楚是驱动程序还是运行内存不足。 - Matti Lyra.saveAsTextFile( ... )
的输出路径是什么? - Fokko Driesprong