Spark 在运行 LinearRegressionwithSGD 时未利用所有核心

Question

我在本地机器上运行 Spark（16G，8 个 cpu 内核）。我试图在大小为 300MB 的数据集上训练线性回归模型。我检查了 CPU 统计信息以及正在运行的程序，它只执行一个线程。 文档说他们已经实现了 SGD 的分布式版本。 http://spark.apache.org/docs/latest/mllib-linear-methods.html#implementation-developer

from pyspark.mllib.regression import LabeledPoint, LinearRegressionWithSGD, LinearRegressionModel
from pyspark import SparkContext


def parsePoint(line):
  values = [float(x) for x in line.replace(',', ' ').split(' ')]
  return LabeledPoint(values[0], values[1:])

sc = SparkContext("local", "Linear Reg Simple")
data = sc.textFile("/home/guptap/Dropbox/spark_opt/test.txt")
data.cache()
parsedData = data.map(parsePoint)


model = LinearRegressionWithSGD.train(parsedData)

valuesAndPreds = parsedData.map(lambda p: (p.label,model.predict(p.features)))
MSE = valuesAndPreds.map(lambda (v, p): (v - p)**2).reduce(lambda x, y: x + y) / valuesAndPreds.count()
print("Mean Squared Error = " + str(MSE))


model.save(sc, "myModelPath")
sameModel = LinearRegressionModel.load(sc, "myModelPath")

Answer 1

我认为您想要做的是明确说明与本地上下文一起使用的核心数量。正如您从 cmets here 中看到的那样，"local"（这就是您正在做的事情）在一个线程上实例化一个上下文，而 "local[4]" 将使用 4 个内核运行。我相信您也可以使用"local[*]" 在系统上的所有内核上运行。