[[192615]]

在研究、應(yīng)用機器學(xué)習算法的經(jīng)歷中，相信大伙兒經(jīng)常遇到數(shù)據(jù)集太大、內(nèi)存不夠用的情況。

這引出一系列問題：

• 怎么加載十幾、幾十 GB 的數(shù)據(jù)文件?
• 運行數(shù)據(jù)集的時候算法崩潰了，怎么辦?
• 怎么處理內(nèi)存不足導(dǎo)致的錯誤?

本文將討論一些常用的解決辦法，供大家參考。

處理大型 ML 數(shù)據(jù)文件的七種思路

1. 分配更多內(nèi)存

有的機器學(xué)習工具/庫有默認內(nèi)存設(shè)置，比如 Weka。這便是一個限制因素。

你需要檢查一下：是否能重新設(shè)置該工具/庫，分配更多內(nèi)存。

對于 Weka，你可以在打開應(yīng)用時，把內(nèi)存當作一個參數(shù)進行調(diào)整。

2. 用更小的樣本

你真的需要用到全部數(shù)據(jù)嗎?

可以采集一個數(shù)據(jù)的隨機樣本，比如前 1,000 或 100,000 行。在全部數(shù)據(jù)上訓(xùn)練最終模型之前(使用漸進式的數(shù)據(jù)加載技巧)，先試著用這個小樣本解決問題。

總的來說，對算法做快速地抽查、看到結(jié)果在前后的變化，在機器學(xué)習領(lǐng)域是一個很好的習慣。

你還可以考慮：相對于模型技巧，做一個數(shù)據(jù)大小的敏感性分析。或許，對于你的隨機小樣本，有一個天然的邊際效應(yīng)遞減分水嶺。越過這個關(guān)口，繼續(xù)增加的數(shù)據(jù)規(guī)模帶來的好處微乎其微。

3. 更多內(nèi)存

你必須要用 PC 嗎?

你可以考慮內(nèi)存、性能高一個量級的計算設(shè)備。比如，租用 AWS 這樣的云服務(wù)。租用云端有數(shù)十 GB 內(nèi)存的機器，***價格每小時不到一美元。我個人覺得這是非常實際的選擇。

4. 轉(zhuǎn)換數(shù)據(jù)格式

你是否把數(shù)據(jù)存為原始的 ASCII 文本，比如 CSV 文件?

或許，使用其它格式能加速數(shù)據(jù)載入并且降低內(nèi)存占用。好的選擇包括像 GRIB、NetCDF、HDF 這樣的二進制格式。

有很多命令行工具能幫你轉(zhuǎn)換數(shù)據(jù)格式，而且不需要把整個數(shù)據(jù)集載入內(nèi)存里。

換一種格式，可能幫助你以更緊湊的形式存儲數(shù)據(jù)，節(jié)省內(nèi)存空間;比如 2-byte 整數(shù)，或者 4-byte 浮點。

5. 流式處理數(shù)據(jù)，或漸進式的數(shù)據(jù)加載

你的所有數(shù)據(jù)，需要同時出現(xiàn)在內(nèi)存里嗎?

或許，你可以用代碼或庫，隨時把需要的數(shù)據(jù)做流式處理或漸進式加載，導(dǎo)入內(nèi)存里訓(xùn)練模型。

這可能需要算法使用優(yōu)化技術(shù)迭代學(xué)習，比如使用隨機梯度下降。那些需要內(nèi)存里有所有數(shù)據(jù)、以進行矩陣運算的算法，比如某些對線性回歸和邏輯回歸的實現(xiàn)，就不適用了。

比如，Keras 深度學(xué)習 API 就提供了漸進式加載圖像文件的功能，名為 flow_from_directory

另一個例子式 Pandas 庫，可批量載入大型 CSV 文件。

6. 使用關(guān)系數(shù)據(jù)庫(Relational database)

關(guān)系數(shù)據(jù)庫為存儲、訪問大型數(shù)據(jù)集提供了標準化的方法。

在內(nèi)部，數(shù)據(jù)存在硬盤中，能漸進式地 in batch 批量加載，并使用標準檢索語言 SQL 檢索。

像 MySQL、Postgres 這樣的開源數(shù)據(jù)庫工具，支持絕大多數(shù)的(全部?)編程語言。許多機器學(xué)習工具，都能直接與關(guān)系數(shù)據(jù)庫連通。你也可以用 SQLite 這樣更輕量的方法。

我發(fā)現(xiàn)，這種方法對大型表格式數(shù)據(jù)集非常有效率。

雷鋒網(wǎng)提醒，你需要用能迭代學(xué)習的算法。

7. 使用大數(shù)據(jù)平臺

有的情況下，你可能必須要使用大數(shù)據(jù)平臺，即為處理超大型數(shù)據(jù)集而開發(fā)的平臺。它們能讓你進行數(shù)據(jù)轉(zhuǎn)換，并在其上開發(fā)機器學(xué)習算法。

兩個很好的例子是 Hadoop 與機器學(xué)習庫 Mahout，以及 Spark 與 MLLib 庫。

我認為，這是用盡上述辦法仍無法解決的情況下，才需要采用的***手段。單純是這為你的機器學(xué)習項目所帶來的額外硬件、軟件復(fù)雜情況，就會消耗許多精力。

即便如此，有的任務(wù)確實數(shù)據(jù)太過龐大，前面的選項都無法奏效。