在独立群集上运行时,Spark程序会产生奇怪的结果

Question

我有这个火花程序,我会尝试将其限制在相关部分

# Split by delimiter ,
# If the file is in unicode, we need to convert each value to a float in order to be able to 
# treat it as a number
points = sc.textFile(filename).map(lambda line: [float(x) for x in line.split(",")]).persist()

# start with K randomly selected points from the dataset
# A centroid cannot be an actual data point or else the distance measure between a point and 
# that centroid will be zero. This leads to an undefined membership value into that centroid.
centroids = points.takeSample(False, K, 34)
#print centroids
# Initialize our new centroids
newCentroids = [[] for k in range(K)]
tempCentroids = []
for centroid in centroids:
    tempCentroids.append([centroid[N] + 0.5])
#centroids = sc.broadcast(tempCentroids)

convergence = False

ncm = NCM()

while(not convergence):
    memberships = points.map(lambda p : (p, getMemberships([p[N]], centroids.value, m)))
    cmax = memberships.map(lambda (p, mus) : (p, getCMax(mus, centroids.value)))
    # Memberships
    T = cmax.map(lambda (p, c) : (p, getMemberships2([p[N]], centroids.value, m, delta, weight1, weight2, weight3, c)))
    I = cmax.map(lambda (p, c) : (p, getIndeterminateMemberships([p[N]], centroids.value, m, delta, weight1, weight2,  weight3, c)[0]))
    F = cmax.map(lambda (p, c) : (p, getFalseMemberships([p[N]], centroids.value, m, delta, weight1,  weight2, weight3, c)[0]))
    # Components of new centroids
    wTm = T.map(lambda (x, t) : ('onekey', scalarPow(m, scalarMult(weight1, t))))
    #print "wTm = " + str(wTm.collect())
    print "at first reduce"
    sumwTm = wTm.reduceByKey(lambda p1, p2 : addPoints(p1, p2))
    #print "sumwTm = " + str(sumwTm.collect())
    wTmx = T.map(lambda (x, t) : pointMult([x[N]], scalarPow(m, scalarMult(weight1, t))))
    print "adding to cnumerator list"
    #print wTmx.collect()
    cnumerator = wTmx.flatMap(lambda p: getListComponents(p)).reduceByKey(lambda p1, p2 : p1 + p2).values()
    print "collected cnumerator, now printing"    
    #print "cnumerator = " + str(cnumerator.collect())
    #print str(sumwTm.collect())
    # Calculate the new centroids
    sumwTmCollection = sumwTm.collect()[0][1]
    cnumeratorCollection = cnumerator.collect()
    #print "sumwTmCollection = " + str(sumwTmCollection)
    #cnumeratorCollection =cnumerator.collectAsMap().get(0).items
    print "cnumeratorCollection = " + str(cnumeratorCollection)
    for i in range(len(newCentroids)):
        newCentroids[i] = scalarMult(1 / sumwTmCollection[i], [cnumeratorCollection[i]])
    centroids = newCentroids
    # Test for convergence
    convergence = ncm.test([centroids[N]], [newCentroids[N]], epsilon)

    #convergence = True 
    # Replace our old centroids with the newly found centroids and repeat if convergence not met
    # Clear out space for a new set of centroids
    newCentroids = [[] for k in range(K)]

此程序在我的本地计算机上运行良好,但是,当在独立群集上运行时,它不会按预期运行.它不一定会抛出错误,但它所做的事情会产生与我在本地计算机上运行时收到的输出不同的输出.群集和3个节点似乎工作正常.我有一种感觉问题是我不断更新centroids,这是一个python列表,它每次都会改变while-loop.是否每个节点可能没有该列表的最新副本？我想是这样所以我尝试使用a broadcast variable但是那些无法更新(只读).我也尝试使用过,accumulator但这只是为了积累.我还尝试将python列表保存为hdfs上的文件,以便每个节点都可以访问,但这不能很好地工作.你认为我正确理解了这个问题吗？还有其他可能会发生在这里吗？如何在本地计算机上获得正常工作的代码,而不是在群集上？

Answer 1

感谢您对这个问题的所有时间和关注，特别是因为听起来我可以发布更多信息以使您的工作更轻松。这里的问题在于

centroids = points.takeSample(False, K, 34)

我没有意识到这一点，但经过短暂的实验后，该函数每次都返回相同的输出，尽管我认为这是一个随机样本。只要您使用相同的种子（在本例中为 34），您就会得到相同的 RDD 作为回报。由于某种原因，我的集群上的 RDD 与返回到我的本地计算机的 RDD 不同。无论如何，由于每次都是相同的 RDD，所以我的输出从未改变。返回给我的“随机”质心的问题是，这些特定的质心产生了类似于数学中的鞍点的东西，在那里找不到质心的收敛点。这部分答案是数学和编程的，所以我不再提及。在这一点上，我真正的希望是，如果你愿意，其他人会受到这样的观念的帮助：

centroids = points.takeSample(False, K, 34)

每次调用时都会产生不同的样本，每次都将种子更改为某个随机数。

我希望这一切都有帮助。我以前从来没有花这么多时间来解决我的记忆问题。

再次感谢。