Q&A
メモリの使用状況はどうですか？
前提・実現したいこと
pythonにて機械学習を行なっています。
計算処理が遅いため、処理速度を向上させたいです。
自分なりに試行錯誤したものの、原因がわからず、、、
ご回答いただけますでしょうか。
発生している問題・エラーメッセージ
計算時間が多くかかっている箇所はsklearnモジュールを用いたKNNの処理でした。
処理時にはn_jobs = -1としているため、使用可能なCPUは全て使用しているつもりでしたが、
計算実行時にcpuを確認したところ、あまりCPUが稼働していない状況であることがわかりました。
このアイドル状態のCPUを使用できれば処理速度が向上すると言う認識です。
該当のソースコード
python
1from sklearn.neighbors import KNeighborsClassifier as KNN 2from sklearn import metrics 3 4def use_knn_single(X, Y, pred_X): 5 model = KNN(n_neighbors=30, weights='distance', algorithm='auto', leaf_size=30, n_jobs=-1) 6 model.fit(X.values, Y.values) 7 8 result_pred = model.predict(pred_X.values)[0] 9 10 return result_pred
試したこと
KNNのn_jobs = 1と設定したのち、
該当処理をmultiprocessingモジュールで外部から制御したものの結果は変わらず。
補足情報（FW/ツールのバージョンなど）
OS:macOS Catalina
CPU：3.2 GHz 6コア 12スレッド
メモリ：16 GB
python：3.7.5
学習データサイズ：1600 rows ×40 coulumns（最大）
学習データの型：pandas[float64/object/int64]
（目的変数の型はint64）
目的変数のクラス数：６
テストデータのサイズ：1 row
※上記関数は処理の中で複数回呼び出しています
（可能な限り最新の情報を用いて予測したいため）。
加えて使用するカラムのリストを変更しつつ（最大：４０、最小：5）呼び出しているので、合わせてかなりの回数で上記関数を呼び出しています。
アクションありがとうございます。
説明に追記しましたが、まだ余裕があるように見受けられます。
メモリ使用率98%くらいでしょうか？（余裕はありませんね） 学習中はメモリが不足している瞬間もあるかもしれませんね。
他のアプリケーションを終了して実行すると速くなりませんか？
ハードウェアの知識がなく申し訳です。
メモリの使用率は使用済み＋キャッシュされたファイルで見るべきでしたか。。。他のアプリケーションを終了しても結果は変わらずでした。
また、改めて実行中のメモリ増加量を確認しましたが、学習データのレコード件数もそこまで多くないため500 MBほどの上昇でした。
データ量が少ない（計算量が少ない）場合に使用するコア数を増やしすぎるととオーバーヘッド分かえって遅くなることがあるらしいです。n_jobsに適当な値を指定してみてはどうでしょうか？
n_jobs=1としても結果は変わらずでした。
また、不可思議なことに、
n_jobs=1とした場合は１スレッドのみ使用する設定だと思うのですが、
CPUを監視したところ、何故か2スレッド使用されていました。
こちら、pythonでCPU使用率を指定する際に別途設定などいりましたでしょうか。
データのshapeを教えて下さい。
あとできれば型と目的変数のクラス数くらいはわかるといいかもしれません。こちらで再現できるのが一番いいのですが、データを貼れない場合もあるので問題ない範囲でできるだけいろいろ教えて下さい。
hayatakaさま、
アクションありがとうございます。
学習データのshapeは約1600 rows ×40 columnsになります。
カラム数が多すぎますでしょうか。。。
(10^3, 10^2)程度であればほぼ瞬殺のはずです。テストデータのサイズはどれくらいですか？ あるいは、この関数を複数回呼び出していたりしますか？
以下の追加情報になります。
また、申し訳ないですが、諸事情でデータは貼れません。
型：float64/object/int64（目的変数の型はint64）
目的変数のクラス数：６
テストデータのサイズは1 rowになります。
上記関数は処理の中で複数回呼び出しています
（可能な限り最新の情報を用いて予測したいため）。
加えて使用するカラムのリストを変更しつつ（最大：４０、最小：5）呼び出しているので、合わせてかなりの回数で上記関数を呼び出しています。
その通りの記述でいいので質問本文に追記しておいてください。回答しますが、対応する記述が質問にないと困るので……
補足事項に追記いたしました。
引き続きよろしくお願いいたします。
回答1件
0
ベストアンサー
状況からして、一回の処理自体にはほとんど時間はかからないはずです。関数を一回処理するのにかかる時間を測って見ると良いと思います。
問題はこの関数を複数回呼び出していることです。KNeighborsClassifierの内部の学習・予測はマルチコアを活かして並列に効率よく行われますが、並列化が効くのはその部分だけです。並列化が効かないPythonレイヤの処理もありますし、分類器モデル内部でも初期化など並列性の低い部分があります。
一度に大量のデータを流し込んで学習・予測させれば並列性の低い部分がボトルネックになることは避けられますが、今回のような使い方では並列性の低い部分が足を引っ張り、スピードの出ようがありません。
また、マルチプロセス並列化してもオーバーヘッドを考えるとかなり無理があるかと思います。個々の処理が小さければオーバーヘッドの方が足を引っ張ります。むしろ非Pythonレイヤで走るCPU待ちの処理が多いので、スレッド並列が効くかもしれません（スレッド間でデータが整合的かどうか等、注意するべきことは多いですが）。
ロジックを見直せるならそれが一番いいです。
追記
スレッド並列化のテスト。
python
1import time 2import numpy as np 3from concurrent.futures import ThreadPoolExecutor 4from sklearn.neighbors import KNeighborsClassifier 5 6X = np.random.normal(size=(16*10*3, 4*10**1)) 7y = np.random.normal(size=(16*10*3, )) > 0 8 9def f(): 10 model = KNeighborsClassifier(n_neighbors=30, weights='distance', algorithm='auto', leaf_size=30, n_jobs=-1) 11 model.fit(X, y) 12 model.predict(X[0:1]) 13 14t1 = time.time() 15for _ in range(10**2): 16 f() 17t2 = time.time() 18print(t2 - t1) # 11.042834997177124 19 20t1 = time.time() 21with ThreadPoolExecutor() as executor: 22 res = [executor.submit(f) for _ in range(10**2)] 23 for f in res: 24 f.result() 25t2 = time.time() 26print(t2 - t1) # 0.8094661235809326 27
やっぱり待ち時間が長いので、スレッド並列は一つの答えかも。複数同時に回せるタスクがあるならですが。
投稿2020/05/04 08:40
編集2020/05/04 10:03総合スコア30933
ご回答ありがとうございます。
改めて、ご指摘いただきこれ以上該当箇所が早くならないこと、CPU使用率が上がらないことなどに納得がいきました。
一度、ロジックを見直してみます。
非常に助かりました。
ちょっとだけ追記しておきました。
あなたの回答
tips
プレビュー
