beverlycrl/distributed-ml-pyspark

🔨 使用Spark/Pytorch实现分布式算法，包括图/矩阵计算（graph/matrix computation）、随机算法、优化（optimization）和机器学习。参考刘铁岩《分布式机器学习》和CME 323课程

分布式机器学习

📚 如果船长的最高目标是保住他的船，那么他只能永远待在港口。

1 简介

本项目为经典分布式机器学习算法的的PySpark/Pytorch实现, 主要参考了刘铁岩的《分布式机器学习》和CME 323: Distributed Algorithms and Optimization课程。主要内容包括图/矩阵计算（graph/matrix computation）、随机算法、优化（optimization）和机器学习。

2 环境依赖

运行以下命令安装环境依赖：

pip install -r requirements.txt

注意我的Python版本是3.8.13，Java版本11.0.15。注意PySpark是运行与Java虚拟机上的，且只支持Java 8/11，请勿使用更高级的版本。这里我使用的是Java 11。运行java -version可查看本机Java版本。

(base) ➜  ~ java -version 
java version "11.0.15" 2022-04-19 LTS
Java(TM) SE Runtime Environment 18.9 (build 11.0.15+8-LTS-149)
Java HotSpot(TM) 64-Bit Server VM 18.9 (build 11.0.15+8-LTS-149, mixed mode)

最后，Pytorch的torch.distributed.rpc模块只支持Linux操作系统，故务必保证您在Linux操作系统上运行相关代码，否则会报错（参见GitHub issues: torch.distributed.rpc）。

3 目录

• 图计算
  • PageRank [explanation]
  • Transitive Closure
• 机器学习
  • K-means
  • Logistic Regression [explanation]
• 矩阵计算
  • Matrix Decomposition
• 数值优化
  • 同步算法
    • Synchronous Stochastic Gradient Descent (SSGD) [explanation] [paper]
      • SSGD in Pytorch [explanation] [paper]
    • Model Average (MA) [explanation] [paper]
    • Block-wise Model Update Filtering (BMUF) [explanation] [paper]
    • Elastic Averaging Stochastic Gradient Descent (EASGD) [explanation] [paper]
  • 异步算法
    • Synchronous Stochastic Gradient Descent (ASGD)[explanation] [paper]
    • Hogwild! [explanation] [paper]
• 随机算法
  • Monte Carlo Method