为什么doParallel R在这种情况下表现更差？

有人能解释为什么Parlappy是最慢的吗

> cl <- makeCluster(no_cores)
> myVar<-2:4000
> microbenchmark(
+ Reduce("+",parLapply(cl,myVar,function(X) X^2)),
+ Reduce("+",lapply(myVar,function(X) X^2)),
+ Reduce("+",myVar^2)
+ )
Unit: milliseconds
                                               expr      min       lq     mean   median       uq       max neval
 Reduce("+", parLapply(cl, myVar, function(X) X^2)) 6.988662 8.041860 9.061966 8.901447 9.916621 14.541828   100
        Reduce("+", lapply(myVar, function(X) X^2)) 5.256892 5.626853 6.892995 6.259239 8.165724 11.112812   100
                               Reduce("+", myVar^2) 1.930513 2.137887 2.613923 2.279481 3.000740  6.194623   100

>cl myVar微基准(
+Reduce（“+”，parLapply（cl，myVar，函数（X）X^2）），
+Reduce（“+”，lappy（myVar，函数（X）X^2）），
+减少（“+”，myVar^2）
+ )
单位：毫秒
expr最小lq平均uq最大neval
Reduce（“+”，parLapply（cl，myVar，函数（X）X^2））6.988662 8.041860 9.061966 8.901447 9.916621 14.541828 100
Reduce（“+”，lappy（myVar，函数（X）X^2））5.256892 5.626853 6.892995 6.259239 8.165724 11.112812 100
减少（“+”，myVar^2）1.930513 2.137887 2.613923 2.279481 3.000740 6.194623 100

根据这些评论，我添加了一个sum实现和一个矢量化实现：

> vec_exp<-Vectorize(function(x)x^2)
> cl <- makeCluster(no_cores)
> myVar<-2:4000
> microbenchmark(
+ Reduce("+",parLapply(cl,myVar,function(X) X^2)),
+ Reduce("+",lapply(myVar,function(X) X^2)),
+ Reduce("+",myVar^2),
+ sum(myVar^2),
+ Reduce("+",vec_exp(myVar))
+ )
Unit: microseconds
                                               expr      min       lq       mean   median       uq       max neval
 Reduce("+", parLapply(cl, myVar, function(X) X^2)) 6880.426 7086.400 7589.02901 7253.886 7625.246 12055.674   100
        Reduce("+", lapply(myVar, function(X) X^2)) 5073.078 5356.030 5826.33276 5478.029 5728.324  8472.236   100
                               Reduce("+", myVar^2) 1922.582 1998.861 2174.07136 2041.548 2129.023  4427.864   100
                                       sum(myVar^2)   13.530   17.495   19.65554   18.662   20.528    34.990   100
                        Reduce("+", vec_exp(myVar)) 5686.102 5967.655 6632.46879 6210.952 6671.186 16191.488   100

>vec\u exp cl myVar微基准(
+Reduce（“+”，parLapply（cl，myVar，函数（X）X^2）），
+Reduce（“+”，lappy（myVar，函数（X）X^2）），
+减少（“+”，myVar^2），
+总和（myVar^2），
+减少（“+”，vec_exp（myVar））
+ )
单位：微秒
expr最小lq平均uq最大neval
Reduce（“+”，parLapply（cl，myVar，函数（X）X^2））6880.426 7086.400 7589.02901 7253.886 7625.246 12055.674 100
Reduce（“+”，lappy（myVar，函数（X）X^2））5073.0785356.0305826.332765478.0295728.3248472.236100
减少（“+”，myVar^2）1922.582 1998.861 2174.07136 2041.548 2129.023 4427.864 100
总额（myVar^2）13.530 17.495 19.65554 18.662 20.528 34.990 100
减少（“+”，vec_exp（myVar））5686.102 5967.655 6632.46879 6210.952 6671.186 16191.488 100

更多处理器开始投入使用。然而，对于您的情况，设置并行系统的延迟（即使没有核心，它不应该是1）在您的问题中起着重要作用

无论大小，生成集群通常需要花费大量时间，这使得简单计算的并行效率降低。如果可能的话，最好使用它们，并充分利用底层硬件

此外，对并行lappy函数的调用要求它设置所有消息传递例程，将数据拆分（在您的情况下为1），并准备在计算后接收数据。这表示您正在经历的延迟

另一方面，序列lappy只是开始它的计算，而不是担心上面的任何一个。由于计算非常简单，它往往会更快地完成。（也就是说，它不需要随便摆弄Parlappy需要做的任何设置。）

我建议比较2+核心并行方案。这里您应该看到，对于简单/快速的计算，最好保持程序的串行性，对于更复杂的程序，它有助于分配工作（如果可能）

更多处理器开始投入使用。然而，对于您的情况，设置并行系统的延迟（即使没有核心，它不应该是1）在您的问题中起着重要作用

无论大小，生成集群通常需要花费大量时间，这使得简单计算的并行效率降低。如果可能的话，最好使用它们，并充分利用底层硬件

此外，对并行lappy函数的调用要求它设置所有消息传递例程，将数据拆分（在您的情况下为1），并准备在计算后接收数据。这表示您正在经历的延迟

另一方面，序列lappy只是开始它的计算，而不是担心上面的任何一个。由于计算非常简单，它往往会更快地完成。（也就是说，它不需要随便摆弄Parlappy需要做的任何设置。）

---

我建议比较2+核心并行方案。这里您应该看到，对于简单/快速的计算，最好保持程序的串行性，并且对于更复杂的程序，它有助于分发工作（如果可能）

只有当并行化的操作比复制数据要昂贵得多时，并行化才有意义。x^2的成本与复制x差不多——这不是一个适合并行化的用例。您只是产生了很多开销。由于这是高度可校正的，请将计时与

sum（myVar^2）

进行比较。另请参见@user2589273 answerParallelization，只有在并行化操作的成本明显高于复制数据的情况下，并行化才有意义。x^2的成本与复制x差不多——这不是一个适合并行化的用例。您只是产生了很多开销。由于这是高度可校正的，请将计时与

sum（myVar^2）

进行比较。另请参见@user2589273 answerI查看了“矢量化”文档，并尝试包含上面的实现，但我不确定一般何时使用它。你能解释一下什么时候应该使用

Vectorize

而不是并行实现或非并行实现吗？我看了一下“Vectorize”文档，并试图在上面包含一个实现，但我不确定通常什么时候使用它。您能否详细解释一下什么时候应该使用

矢量化

，而不是并行或非并行实现？