------------------------
library(parallel)
library(iterators)
library(foreach)
library(doParallel)
cores=detectCores()
cl <- makeCluster(cores[1]-1)
registerDoParallel(cl)
a=rep(100, NA)
rate=rep(100, NA)
foreach(i = 1:100)%dopar%{
rate[i] = i / 100
b=runif(100, 0,1)
c=runif(100, 0,1)
a[i]=mean(b^2+c^2<rate[i])
}
plot(rate, a)
#stop cluster
stopCluster(cl)
library(parallel)cl.cores <- detectCores()
cl<- makeCluster(cl.cores)
detectCores()检查当前电脑可用核数。
makeCluster(cl.cores)使用刚才检测的核并行运算。R-Doc里这样描述makeCluster函数:Creates a set of copies of R running in parallel andcommunicating over sockets. 即同时创建数个R进行并行运算。在该函数执行后就已经开始并行运算了,电脑可能会变卡一点。尤其在执行par开头的函数时。
在并行运算环境下,常用的一些计算方法如下:
1. clusterEvalQ(cl,expr)函数利用创建的cl执行expr。这里利用刚才创建的cl核并行运算expr。expr是执行命令的语句,不过如果命令太长的话,一般写到文件里比较好。比如把想执行的命令放在Rcode.r里:
clusterEvalQ(cl,source(file="Rcode.r"))
2.par开头的apply函数族。这族函数和apply的用法基本一样,不过要多加一个参数cl。一般如果cl创建如上面cl <-makeCluster(cl.cores)的话,这个参数可以直接用作parApply(cl=cl,…)。当然Apply也可以是Sapply,Lapply等等。注意par后面的第一个字母是要大写的,而一般的apply函数族第一个字母不大写。
另外要注意,即使构建了并行运算的核,不使用parApply()函数,而使用apply()函数的话,则仍然没有实现并行运算。换句话说,makeCluster只是创建了待用的核,而不是并行运算的环境。
最后,终止并行运算只需要一行命令:
stopCluster(cl)
这就要从设计目标与用途说起了,CPU的设计是追求一种大而全的处理方式,所有的程序都要能很好的完成,不能搞特殊化,所以处理数据的方式是顺序处理,即将任务排队,每个时钟周期只能处理一个任务,这个任务完成后,才执行下一个任务,而GPU则不同,其设计目标是同一时钟周期内尽可能的完成多的但相对简单的任务,即将任务并列起来,处理方式是很多任务同时一次处理,简单的说就是CPU是全能型的高质量处理,追求质量,而GPU则是庞大的较为单一的高速处里,追求速度与吞吐量,这也是串行与并行各自的原理与追求的目标…