在研究、应用机器学习算法的经历中，相信大伙儿经常遇到数据集太大、内存不够用的情况。

这引出一系列问题：

怎么加载十几、几十 GB 的数据文件？
运行数据集的时候算法崩溃了，怎么办?
怎么处理内存不足导致的错误？

本文将讨论一些常用的解决办法，供大家参考。

处理大型 ML 数据文件的七种思路

1. 分配更多内存

有的机器学习工具/库有默认内存设置，比如 Weka。这便是一个限制因素。

你需要检查一下：是否能重新设置该工具/库，分配更多内存。

对于 Weka，你可以在打开应用时，把内存当作一个参数进行调整。

2. 用更小的样本

你真的需要用到全部数据吗？

可以采集一个数据的随机样本，比如前 1,000 或 100,000 行。在全部数据上训练最终模型之前（使用渐进式的数据加载技巧），先试着用这个小样本解决问题。

总的来说，对算法做快速地抽查、看到结果在前后的变化，在机器学习领域是一个很好的习惯。

你还可以考虑：相对于模型技巧，做一个数据大小的敏感性分析。或许，对于你的随机小样本，有一个天然的边际效应递减分水岭。越过这个关口，继续增加的数据规模带来的好处微乎其微。

3. 更多内存

你必须要用 PC 吗？

你可以考虑内存、性能高一个量级的计算设备。比如，租用 AWS 这样的云服务。租用云端有数十 GB 内存的机器，最低价格每小时不到一美元。我个人觉得这是非常实际的选择。

4. 转换数据格式

你是否把数据存为原始的 ASCII 文本，比如 CSV 文件？

或许，使用其它格式能加速数据载入并且降低内存占用。好的选择包括像 GRIB、NetCDF、HDF 这样的二进制格式。

有很多命令行工具能帮你转换数据格式，而且不需要把整个数据集载入内存里。

换一种格式，可能帮助你以更紧凑的形式存储数据，节省内存空间；比如 2-byte 整数，或者 4-byte 浮点。

5. 流式处理数据，或渐进式的数据加载

你的所有数据，需要同时出现在内存里吗？

或许，你可以用代码或库，随时把需要的数据做流式处理或渐进式加载，导入内存里训练模型。

这可能需要算法使用优化技术迭代学习，比如使用随机梯度下降。那些需要内存里有所有数据、以进行矩阵运算的算法，比如某些对线性回归和逻辑回归的实现，就不适用了。

比如，Keras 深度学习 API 就提供了渐进式加载图像文件的功能，名为 flow_from_directory

另一个例子式 Pandas 库，可批量载入大型 CSV 文件。

6. 使用关系数据库（Relational database）

关系数据库为存储、访问大型数据集提供了标准化的方法。

在内部，数据存在硬盘中，能渐进式地 in batch 批量加载，并使用标准检索语言 SQL 检索。

像 MySQL、Postgres 这样的开源数据库工具，支持绝大多数的（全部？）编程语言。许多机器学习工具，都能直接与关系数据库连通。你也可以用 SQLite 这样更轻量的方法。

我发现，这种方法对大型表格式数据集非常有效率。

雷锋网提醒，你需要用能迭代学习的算法。

7. 使用大数据平台

有的情况下，你可能必须要使用大数据平台，即为处理超大型数据集而开发的平台。它们能让你进行数据转换，并在其上开发机器学习算法。

两个很好的例子是 Hadoop 与机器学习库 Mahout，以及 Spark 与 MLLib 库。

我认为，这是用尽上述办法仍无法解决的情况下，才需要采用的最后手段。单纯是这为你的机器学习项目所带来的额外硬件、软件复杂情况，就会消耗许多精力。

即便如此，有的任务确实数据太过庞大，前面的选项都无法奏效。

如何解决处理大数据的时候的内存不足?

比如现在手上有70亿＋1份身高数据，如何用有限的4GB内存找到这些数据中的中间值（也就是从小到大排列的第35亿个人的身高）

粗略计算了一下，4GB／sizeof(double)约等于5亿，也就是说无法把这70亿份数据同时放入内存中进行处理。

求可行的方案（内存可以反复擦写）

磁盘没要求的话，桶排序，然后直接找第35亿个记录。

桶排序就是文件分份然后每一份快排，排完了堆排。

全排到一个文件里之后，读一个数个数，数到中间就输出。

其实已经有的答案里开数组数数是线性时间最优的。

————————————————————————————————————————————————————————

首先，我觉得这个不是大数据的范畴。
对于大量的数据处理，如果使用内存有限制（一般在面试题中有更好的表述方式），应该采用的方式有一下几种：

分而治之/hash映射 + hash统计 + 堆/快速/归并排序；
双层桶划分
Bloom filter/Bitmap；
Trie树/数据库/倒排索引；
外排序；
分布式处理之Hadoop/Mapreduce。

内存不够解决大数据问题相关推荐

Apache Mnemonic成为Apache顶级项目，主要解决大数据性能问题
近日,Apache软件基金会宣布,Apache Mnemonic从Apache孵化器中毕业成为顶级项目. Apache Mnemonic是一个用于处理和分析链接对象的开源对象平台,旨在解决大数据性能问 ...
MERGE INTO 解决大数据量 10w 更新缓慢的问题
MERGE INTO 解决大数据量 10w 更新缓慢的问题参考文章: (1)MERGE INTO 解决大数据量 10w 更新缓慢的问题 (2)https://www.cnblogs.com/yun9 ...
面试精讲之面试考点及大厂真题 - 分布式专栏 17 ElasticSearch解决大数据量检索难题
17 ElasticSearch解决大数据量检索难题理想的书籍是智慧的钥匙. --列夫·托尔斯泰引言如果你的项目里有超过千万上亿级别的数据,且数据日增量较大需要高性能检索时,如订单数据,你该怎么 ...
大数据就业缺口_三年培养10万大数据人才，解决大数据人才缺口
(原标题:三年培养10万大数据人才,解决大数据人才缺口) 未来三年为中国培养10万大数据人才,大数据人才优选计划缓解中国大数据人才缺口为缓解中国大数据人才缺口,小牛学堂联合工信部人才交流中心,开展& ...
TensorFlow和Keras解决大数据量内存溢出问题
NVIDIA DLI 深度学习入门培训 | 特设三场! 4月28日/5月19日/5月26日一天密集式学习快速带你入门阅读全文> 正文共5771个字,1张图,预计阅读时间10分钟. 内存溢出问 ...
MySQL数据库如何解决大数据量存储问题
FROM http://blog.csdn.net/likika2012/article/details/38816037 各位高手您们好,我最近接手公司里一个比较棘手的问题,关于如何利用MySQL存 ...
EasyExcel3.0.5 解决大数据导入导出，防止OOM
文章目录前言源码代码实现 POM 依赖 application.yaml Application 启动类 Config 相关配置类创建员工信息表导入和导出实体 Controller 层 Se ...
内存计算技术应对大数据挑战
访SAP张志琦的过程中涉及到以下内容: 数据的"失控" 前言时间快转,又到了岁末年初盘点之时. 2012年,不仅是末日之年,也是变革之年. 深刻的变化正在发生,而这将彻底改变人的 ...
一招教你解决大数据量下的各种报表使用问题
在我们日常制作报表分析过程中,总会遇到各种问题.比如,报表底层数据日益增多.报表加载超慢,这些情况该怎么解决? 数据库是最常见的能处理大数据的计算方案,而永洪能利用数据库来完成数据计算.但是,有些报表 ...

内存不够解决大数据问题