大数据的增量 PCA

Question

我刚刚尝试使用 sklearn.decomposition 中的 IncrementalPCA，但它像之前的 PCA 和 RandomizedPCA 一样抛出了 MemoryError。我的问题是，我要加载的矩阵太大而无法放入 RAM。现在它作为形状数据集存储在 hdf5 数据库中 ~(1000000, 1000)，所以我有 1.000.000.000 个 float32 值。我认为 IncrementalPCA 分批加载数据，但显然它试图加载整个数据集，这没有帮助。这个库是如何使用的？ hdf5格式有问题吗？

from sklearn.decomposition import IncrementalPCA
import h5py

db = h5py.File("db.h5","r")
data = db["data"]
IncrementalPCA(n_components=10, batch_size=1).fit(data)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/sklearn/decomposition/incremental_pca.py", line 165, in fit
    X = check_array(X, dtype=np.float)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/sklearn/utils/validation.py", line 337, in check_array
    array = np.atleast_2d(array)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/numpy/core/shape_base.py", line 99, in atleast_2d
    ary = asanyarray(ary)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/numpy/core/numeric.py", line 514, in asanyarray
    return array(a, dtype, copy=False, order=order, subok=True)
  File "h5py/_objects.pyx", line 54, in h5py._objects.with_phil.wrapper (-------src-dir-------/h5py/_objects.c:2458)
  File "h5py/_objects.pyx", line 55, in h5py._objects.with_phil.wrapper (-------src-dir-------/h5py/_objects.c:2415)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/h5py/_hl/dataset.py", line 640, in __array__
    arr = numpy.empty(self.shape, dtype=self.dtype if dtype is None else dtype)
MemoryError

感谢您的帮助

Answer 1

您的程序可能无法将整个数据集加载到 RAM 中。每个 float32 × 1,000,000 × 1000 的 32 位是 3.7 GiB。这在只有 4 GiB RAM 的机器上可能是个问题。要检查它是否确实是问题所在，请尝试单独创建一个此大小的数组：

>>> import numpy as np
>>> np.zeros((1000000, 1000), dtype=np.float32)

如果您看到MemoryError，您要么需要更多 RAM，要么需要一次处理一个数据集。

对于 h5py 数据集，我们应该避免将整个数据集传递给我们的方法，而是传递数据集的切片。一次一个。

由于我没有你的数据，让我从创建一个相同大小的随机数据集开始：

import h5py
import numpy as np
h5 = h5py.File('rand-1Mx1K.h5', 'w')
h5.create_dataset('data', shape=(1000000,1000), dtype=np.float32)
for i in range(1000):
    h5['data'][i*1000:(i+1)*1000] = np.random.rand(1000, 1000)
h5.close()

它创建了一个不错的 3.8 GiB 文件。

现在，如果我们在 Linux 中，我们可以限制程序可用的内存量：

$ bash
$ ulimit -m $((1024*1024*2))
$ ulimit -m
2097152

现在，如果我们尝试运行您的代码，我们将收到 MemoryError。 （按 Ctrl-D 退出新的 bash 会话并稍后重置限制）

让我们试着解决这个问题。我们将创建一个 IncrementalPCA 对象，并多次调用其.partial_fit() 方法，每次都提供不同的数据集切片。

import h5py
import numpy as np
from sklearn.decomposition import IncrementalPCA

h5 = h5py.File('rand-1Mx1K.h5', 'r')
data = h5['data'] # it's ok, the dataset is not fetched to memory yet

n = data.shape[0] # how many rows we have in the dataset
chunk_size = 1000 # how many rows we feed to IPCA at a time, the divisor of n
ipca = IncrementalPCA(n_components=10, batch_size=16)

for i in range(0, n//chunk_size):
    ipca.partial_fit(data[i*chunk_size : (i+1)*chunk_size])

它似乎对我有用，如果我查看 top 报告的内容，内存分配保持在 200M 以下。

Answer 2

可以使用 NumPy 的 memmap 类，它允许操作 存储在磁盘上的二进制文件中的大型数组，就好像它完全在内存中一样；该类仅在需要时将其需要的数据加载到内存中。由于incrementalPCA 在任何给定时间使用批处理，因此内存使用仍处于控制之中。这是一个示例代码

from sklearn.decomposition import IncrementalPCA
import numpy as np

X_mm = np.memmap(filename, dtype="float32", mode="readonly", shape=(m, n))
batch_size = m // n_batches
inc_pca = IncrementalPCA(n_components=10, batch_size=batch_size)
inc_pca.fit(X_mm)