scikit&x27;s的GridSearch和Python通常不会释放内存
我做了一些奇怪的观察,我的网格搜索在几个小时后一直失败,起初我不知道为什么。随着时间的推移,我监控了内存的使用情况,发现它从几Gb(~6 Gb)开始,并不断增加,直到达到硬件所能承受的最大128 Gb时,节点崩溃。 我在试验随机森林对大量文本文档进行分类。为了简单起见——为了弄清楚发生了什么——我回到了NaiveBayes 我使用的版本是scikit&x27;s的GridSearch和Python通常不会释放内存,python,memory,scikit-learn,Python,Memory,Scikit Learn,我做了一些奇怪的观察,我的网格搜索在几个小时后一直失败,起初我不知道为什么。随着时间的推移,我监控了内存的使用情况,发现它从几Gb(~6 Gb)开始,并不断增加,直到达到硬件所能承受的最大128 Gb时,节点崩溃。 我在试验随机森林对大量文本文档进行分类。为了简单起见——为了弄清楚发生了什么——我回到了NaiveBayes 我使用的版本是 Python 3.4.2 scikit学习0.15.2 我在GitHub上的scikit问题列表中找到了一些关于这个主题的相关讨论:和 听起来好像已经成
- Python 3.4.2
- scikit学习0.15.2
grid_search = GridSearchCV(pipeline,
parameters,
n_jobs=1, #
cv=5,
scoring='roc_auc',
verbose=2,
pre_dispatch='2*n_jobs',
refit=False) # tried both True and False
grid_search.fit(X_train, y_train)
print('Best score: {0}'.format(grid_search.best_score_))
print('Best parameters set:')
出于好奇,我后来决定通过嵌套for循环以快速而肮脏的方式进行网格搜索
for p1 in parameterset1:
for p2 in parameterset2:
...
pipeline = Pipeline([
('vec', CountVectorizer(
binary=True,
tokenizer=params_dict[i][0][0],
max_df=params_dict[i][0][1],
max_features=params_dict[i][0][2],
stop_words=params_dict[i][0][3],
ngram_range=params_dict[i][0][4],)),
('tfidf', TfidfTransformer(
norm=params_dict[i][0][5],
use_idf=params_dict[i][0][6],
sublinear_tf=params_dict[i][0][7],)),
('clf', MultinomialNB())])
scores = cross_validation.cross_val_score(
estimator=pipeline,
X=X_train,
y=y_train,
cv=5,
scoring='roc_auc',
n_jobs=1)
params_dict[i][1] = '%s,%0.4f,%0.4f' % (params_dict[i][1], scores.mean(), scores.std())
sys.stdout.write(params_dict[i][1] + '\n')
到目前为止还不错。网格搜索运行并将结果写入标准输出。但是,一段时间后,它又超过了128 Gb的内存上限。与scikit中的GridSearch存在相同的问题。经过一些实验,我终于发现
gc.collect()
len(gc.get_objects()) # particularly this part!
for循环解决了这个问题,在大约10小时的运行时间内,内存使用率始终保持在6.5 Gb
最后,我得到了上面的修复,但是,我很好奇听到你的想法,什么可能会导致这个问题和你的提示和建议 0.15.2中的RandomForest不支持稀疏输入
升级sklearn并重试…希望这将允许最终制作的多个副本消耗更少的内存。(并加快速度)我看不到您的确切代码,但我现在面临着类似的问题。 值得一试。 当我们将值从可变数组或类似列表的对象复制到另一个变量,创建原始数组或列表的副本,然后使用append或类似的方法修改新数组或列表,增加数组或列表的大小,同时在后台增加原始对象时,很容易发生类似的内存膨胀 这是一个指数过程,过了一段时间我们的内存就用完了。我可以,也许你可以通过
deepcopy()
传递原始对象的值来避免这种现象
我也遇到了类似的问题,我用一个类似的过程破坏了内存,然后我设法保持10%的内存负载
更新:
现在我看到了带有DataFrame的代码片段。这样的valuecopy问题很容易出现。先生,我不熟悉GridSearch,但我建议在内存和大量列表出现问题时,编写一个小型自定义生成器。它可以重复用于您的所有项目,只需使用一个包含任何列表的项目即可。如果在下面的解决方案之外实现,请首先阅读本文,这是我找到的最好的生成器文章。我把它全部打进去,然后一块一块地走,你看完后有什么问题我也可以试试 不需要: 参数集1中p1的
:
试一试
“yield”字(声明中的任何地方)使其成为生成器,而不是常规函数。这句话的意思是我等于0,而我确实要做一些事情,他们希望我给出这个列表[0],给你,如果你再次需要我,我会在i+=1
等你。下次调用它时,它会拾取并执行i+=1
,注意到它仍在while循环中,并给出此_列表[1],并记录其位置(i+=1
,它将在那里等待,直到再次调用)。请注意,当我给它一次列表并制作一个生成器(这里是x)时,它将耗尽您的列表
In [141]: x = listerator([1,2,3])
In [142]: next(x)
Out[142]: 1
In [143]: next(x)
Out[143]: 2
In [144]: next(x)
Out[144]: 3
In [148]: next(x)
---------------------------------------------------------------------------
IndexError Traceback (most recent call last)
<ipython-input-148-5e4e57af3a97> in <module>()
----> 1 next(x)
<ipython-input-139-ed3d6d61a17c> in listerator(this_list)
2 i = 0
3 while True:
----> 4 yield this_list[i]
5 i += 1
6
IndexError: list index out of range
这很有效。现在,即使列表元素不存在,它也不会盲目地尝试返回列表元素。从你所说的,我几乎可以保证你将需要能够播种它(从某个地方拾取,或从某个地方新鲜开始):
i=seed或0
是一个查找seed的东西,但是seed默认为None,因此通常只从逻辑位置0开始,即列表的开头
你怎么能在不使用(几乎)任何内存的情况下使用这个野兽
parameterset1 = [1,2,3,4]
parameterset2 = ['a','b','c','d']
In [224]: for p1 in listerator(parameterset1):
for p2 in listerator(parameterset2):
print p1, p2
.....:
1 a
1 b
1 c
1 d
2 a
2 b
2 c
2 d
3 a
3 b
3 c
3 d
4 a
4 b
4 c
4 d
看起来很眼熟吧?现在,您可以一个接一个地处理一万亿个值,选择重要的值写入磁盘,并且永远不会炸毁您的系统。享受吧 这太奇怪了。请您在github上提交一个新版本,包括使用随机生成的数据(甚至是常量数据,例如
np.ones(shape=(n_样本,n_特征),dtype=np.float)
)复制问题的脚本。当然,没有问题。我将导致此问题的一些代码上载到,并在此处打开了一个问题:。谢谢在过去,我还发现sklearn中的一些东西(通常带有随机林)消耗了太多内存。根据问题的不同,我不得不解决它。一个评论是,对于tfidf/文档问题,GradientBoostingClassifier可能比RandomForest提供更好的结果。另外,我非常确定tfidf转换器将返回一个稀疏矩阵(todo:确保您的版本中有此矩阵)…因此您需要更新sklearn,因为0.15.2中的RandomForest不支持稀疏输入。您是如何使用gc.collect()
和len(gc.get_objects())
中的GridSearchCV()
方法来解决它的?这种方法不会有正确的循环,因此,没有地方放置您提到的2行?谢谢提示。是的,我使用toarray()调用将稀疏数组转换为密集数组,这肯定非常昂贵。然而,这个问题也发生在“便宜”的朴素贝叶斯或逻辑回归分类器(Sgd)上。不知怎的,垃圾收集出现了问题。我应该在Python3.4.3和scikit学习版0.16.1I上再试一次,我相信NB和LR也支持稀疏输入。您可以尝试将pre_dispatch='2*n_jobs'的值更改为1I。我必须查看scikit了解
In [221]: for val in listerator([1,2,3,4]):
.....: print val
.....:
1
2
3
4
---------------------------------------------------------------------------
IndexError Traceback (most recent call last)
<ipython-input-221-fa4f59138165> in <module>()
----> 1 for val in listerator([1,2,3,4]):
2 print val
3
<ipython-input-220-263fba1d810b> in listerator(this_list, seed)
2 i = seed or 0
3 while True:
----> 4 yield this_list[i]
5 i += 1
IndexError: list index out of range
def listerator(this_list):
i = 0
while True:
try:
yield this_list[i]
except IndexError:
break
i += 1
In [223]: for val in listerator([1,2,3,4]):
print val
.....:
1
2
3
4
def listerator(this_list, seed=None):
i = seed or 0
while True:
try:
yield this_list[i]
except IndexError:
break
i += 1
In [150]: l = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]
In [151]: x = listerator(l, 8)
In [152]: next(x)
Out[152]: 9
In [153]: next(x)
Out[153]: 10
In [154]: next(x)
Out[154]: 11
parameterset1 = [1,2,3,4]
parameterset2 = ['a','b','c','d']
In [224]: for p1 in listerator(parameterset1):
for p2 in listerator(parameterset2):
print p1, p2
.....:
1 a
1 b
1 c
1 d
2 a
2 b
2 c
2 d
3 a
3 b
3 c
3 d
4 a
4 b
4 c
4 d