呼唤支持多线程的分类器！

zouquan

      这几天参加JRS比赛，这次比赛的样本不算大规模，10000个样本，维度高，训练集文件在500M左右。不大不小，普通台式机可以跑动，就是慢。

       通过使用mulan和weka我们发现，他们最大的弱点是不支持多线程，因此我们的机器空有4核16G内存，事实上用不上。事实上，只有25%的CPU和1G的内存被消耗。

       因此，我认为目前机器学习最需要解决的问题是如何并行化提高运算速度，合理利用资源。并行化可以有3个档次，分别是 多线程（任何机器都支持）、Cuda（需要Nvdia显卡）、Hadoop（需要机群）。显然，能力越来越强、但要求也越来越高。

       各位都或多或少开发了自己的分类器，但各位的程序能否支持并行呢？或者可以并行到哪个程度呢？显然，把weka整个并行化或多线程化，是一个浩大的工程，依靠我们的力量完成不现实。但我们自己涉猎过的代码，能否修改一下支持多线程呢？这将是推动科学进步、真正有影响力的工作！

       每位同学目前都有自己的工作，来做这件事情显然有些力不从心。我后面要安排专人来做这个工作，而且我会亲自参与、督阵。但目前各位同学已经开发过的代码，应该考虑自己进行修改。
     比如：旭斌开发了svm的回归，自己能否考虑写一个支持多线程或cuda或hadoop的版本？
             文瑞在搞基于hadoop的libsvm，能否加入多线程，毕竟有hadoop环境的人太少了，多线程的libsvm也很受欢迎啊，特别是grid优化参数的时候能否多线程？
            
        每一位同学都熟悉weka，并且应该很喜欢这东西吧？我是因为weka而喜欢java和code的。建议大家学习一下mulan（http://mulan.sourceforge.net/ ），mulan的工作量不是很大，是在weka基础上开发的。我们应该学习他的思路，也仿照mulan的开发思路，开发出我们实验室自己的jar包，与weka不同的是：我们可能加入了自己的分类器（比如旭斌、邱诚之前开发的集成分类器）、加入了自己的可多线程（或cuda、hadoop）的分类器。

        我认为这是一个真正有益于科学发展的工作，希望大家提出自己的想法和意见。如果可以，我们以后处理500M的数据，就不会出现要跑2天的尴尬情景了。

xmubingo

我也发现了。分类器多线程化交叉验证并不能加快多少。主要原因是像svm这种耗时算法，它们的时间成为了提速的瓶颈。对svm进行多线程还是难的，但是多线程化Evaluation这个类是可行的。

Mahout中也有mapreduce版本的svm

Mark：
Folding, Cross Validation with Map Reduce http://pkghosh.wordpress.com/201 ... on-with-map-reduce/
libsvm-hadoop https://github.com/ericlee100/libsvm-hadoop