{"id":2639,"date":"2019-02-12T21:40:02","date_gmt":"2019-02-13T00:40:02","guid":{"rendered":"http:\/\/www.geekosas.com\/?p=2639"},"modified":"2019-02-13T08:49:48","modified_gmt":"2019-02-13T11:49:48","slug":"r-y-pc-superdorerosos","status":"publish","type":"post","link":"https:\/\/geekosas.com\/index.php\/es\/2019\/02\/12\/r-y-pc-superdorerosos\/","title":{"rendered":"R y PC super-porerosos"},"content":{"rendered":"\n
R y python est\u00e1n muy de moda \u00faltimamente, pero te haz preguntado si le est\u00e1s sacan totalmente el jugo a esos lenguajes, es m\u00e1s, seguramente para trabajar con ellos tienes un PC super-poderoso, bueno, la verdad es que si est\u00e1s entrando al mundo del Analytics, posiblemente aun no lo est\u00e9s haciendo. Hoy voy a poner como ejemplo el performance de las distintas libreras de \u00e1lgebra lineal de R.<\/p>\n\n\n\n
Las librer\u00edas de \u00e1lgebra lineal no son paquetes que se instalan, corresponden a tuneos realizados directamente sobre los archivos de R, las cuales al estar bien seleccionadas, te permiten utilizar todos los procesadores de tu PC, de lo contrario, solo utilizar\u00e1s uno.<\/p>\n\n\n\n
En esta comparativa, vamos a ver las siguientes librer\u00edas para R:<\/p>\n\n\n\n
blas: la que viene incluida y es mono procesador<\/li>
openblas: la gen\u00e9rica para paralelizar.<\/li>
openblas-lapack: openblas generalizado para mas lenguajes, como por ejemplo python.<\/li>
intel-kml: lapack optimizado de intel para procesadores intel.<\/li>
open-r: lapack incluido en microsoft r open.<\/li><\/ul>\n\n\n\n
El experimento:<\/h3>\n\n\n\n
Realizaremos 3 pruebas para matrices de distinto tama\u00f1o, cada prueba se realizar\u00e1 100 veces para 10 tama\u00f1os de matrices cuadradas que van de 100 a 1000 columnas, luegos se graficar\u00e1 la mediana de cada uno de estos resultados.<\/p>\n\n\n\n
La prueba se realiz\u00f3 en una instancia de AWS c5.4xlarge la cual tiene 16 procesadores de ultima generaci\u00f3n. <\/p>\n\n\n\n
Prueba numero 1: Invertir una matriz:<\/h4>\n\n\n\n<\/figure>\n\n\n\n
Claramente el lapack blas queda rezagado, esto es de esperarse, dado que utiliza solo una CPU de las 16, a continuaci\u00f3n veremos el grafico sin blas.<\/p>\n\n\n\n<\/figure>\n\n\n\n
<\/p>\n\n\n\n
Experimento N\u00famero 2: Elevar Matriz al Cuadrado.<\/h4>\n\n\n\n<\/figure>\n\n\n\n
Nuevamente blas quedo completamente atr\u00e1s en tiempo, por lo que incluiremos el gr\u00e1fico sin el nuevamente.<\/p>\n\n\n\n<\/figure>\n\n\n\n
Esta era una prueba mas pesada que las anteriores, haciendo realmente relevante el performance para matrices grandes.<\/p>\n\n\n\n<\/figure>\n\n\n\n
Y como de costumbre el grafico sin nuestro amigo blas.<\/p>\n\n\n\n<\/figure>\n\n\n\n
Conclusiones:<\/h3>\n\n\n\n
La diferencia de cualquier lapack optimizado al compararse con el que viene por defecto en R es abismaste, pero cuando realmente se quiere el mejor performance la recomendaci\u00f3n en general es ir por intel-kml o open-r<\/p>\n\n\n\n
Una cosa interesante de intel-kml e que tambi\u00e9n se puede integrar en librer\u00edas de python como pandas, scikit y sklearn.<\/p>\n\n\n\n
En el futuro espero poder hacer otras comparaciones para mostrar como sacarle todo el jugo al PC, pero con otras metodolog\u00edas.<\/p>\n\n\n\n
![\"\"](\"https:\/\/i1.wp.com\/www.geekosas.com\/wp-content\/uploads\/2019\/02\/solve.png?fit=810%2C608\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/i1.wp.com\/www.geekosas.com\/wp-content\/uploads\/2019\/02\/solve_sin_blas.png?fit=810%2C608\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/i1.wp.com\/www.geekosas.com\/wp-content\/uploads\/2019\/02\/prod.png?fit=810%2C608\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/www.geekosas.com\/wp-content\/uploads\/2019\/02\/prod_sin_blas.png?fit=810%2C608\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/i2.wp.com\/www.geekosas.com\/wp-content\/uploads\/2019\/02\/prcomp.png?fit=810%2C608\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/i1.wp.com\/www.geekosas.com\/wp-content\/uploads\/2019\/02\/prcomp_sin_blas.png?fit=810%2C608\")
<\/figure>\n\n\n\n