mahout源码分析之DistributedLanczosSolver（五）Job over

Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_25 64bit。

1. Job 篇

接上篇，分析到EigenVerificationJob的run方法：

public int run(Path corpusInput,

                 Path eigenInput,

                 Path output,

                 Path tempOut,

                 double maxError,

                 double minEigenValue,

                 boolean inMemory,

                 Configuration conf) throws IOException {

    this.outPath = output;

    this.tmpOut = tempOut;

    this.maxError = maxError;

    this.minEigenValue = minEigenValue;

    if (eigenInput != null && eigensToVerify == null) {

      prepareEigens(conf, eigenInput, inMemory);

    }

    DistributedRowMatrix c = new DistributedRowMatrix(corpusInput, tempOut, 1, 1);

    c.setConf(conf);

    corpus = c;

    // set up eigenverifier and orthoverifier TODO: allow multithreaded execution

    eigenVerifier = new SimpleEigenVerifier();

    // we don't currently verify orthonormality here.

    // VectorIterable pairwiseInnerProducts = computePairwiseInnerProducts();

    Map<MatrixSlice, EigenStatus> eigenMetaData = verifyEigens();

    List<Map.Entry<MatrixSlice, EigenStatus>> prunedEigenMeta = pruneEigens(eigenMetaData);

    saveCleanEigens(new Configuration(), prunedEigenMeta);

    return 0;

  }

这里先明确几个输入参数，inputPath、outputPath、tempPath就不用多说了， eigenPath就是上篇最后生成的 rawEigenvectors文件；inMemory是false、maxError是0.05，minEigenValue是0.0；顺便说一下，如果直接运行这个类是不行的，比如像下面这样调用：

package mahout.fansy.svd;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.mahout.math.hadoop.decomposer.EigenVerificationJob;

public class RunEigenVerificationJob {

	/**

	 * 调用EigenVerificationJob

	 */

	private static Path prefix=new Path("hdfs://ubuntu:9000");

	public static void main(String[] args) throws IOException {

		Path inputPath=new Path(prefix,"/svd/input/wine");

		Path rawEigenVectorPath=new Path(prefix,"/svd/output1/rawEigenvectors");

		Path outputPath=new Path(prefix,"/svd/output1/cleanEigenvectors");

		Path outputTmpPath=new Path(prefix,"/svd/temp");

		double maxError=0.5;

		double minEigenvalue=0.0;

		boolean inMemory=false;

		Configuration conf=new Configuration();

		conf.set("mapred.job.tracker", "ubuntu:9001");

		int result=new EigenVerificationJob().run(inputPath,

                rawEigenVectorPath,

                outputPath,

                outputTmpPath,

                maxError,

                minEigenvalue,

                inMemory,

                conf);

		System.out.println("result success?"+(result==0?true:false));

	}

}

这样调用会出现Runtime Error和file not found的错误，Runtime就不是很明白了，file not found 是因为在temp中的文件是按照时间生成的，然后如果没有和前面的任务在一个总的文件中调用，那么找到的文件目录是找不到的，所以会出现这样的错误。

接下来，首先会进入prepareEigens方法：

private void prepareEigens(Configuration conf, Path eigenInput, boolean inMemory) {

    DistributedRowMatrix eigens = new DistributedRowMatrix(eigenInput, tmpOut, 1, 1);

    eigens.setConf(conf);

    if (inMemory) {

      List<Vector> eigenVectors = Lists.newArrayList();

      for (MatrixSlice slice : eigens) {

        eigenVectors.add(slice.vector());

      }

      eigensToVerify = new SparseRowMatrix(eigenVectors.size(), eigenVectors.get(0).size(),

                                           eigenVectors.toArray(new Vector[eigenVectors.size()]),

                                           true,

                                           true);

    } else {

      eigensToVerify = eigens;

    }

  }

首先初始化DistributedRowMatrix变量，由于inMemory是false，所以直接把 eigens变量赋值给了eigensToVerify变量；

然后就是两个赋值语句，分别初始化corpus、eigenVerifier；然后还是初始化变量eigenMetaData，不过这个是调用了一个函数：verifyEigens来进行的；

private Map<MatrixSlice, EigenStatus> verifyEigens() {

    Map<MatrixSlice, EigenStatus> eigenMetaData = Maps.newHashMap();

    for (MatrixSlice slice : eigensToVerify) {

      EigenStatus status = eigenVerifier.verify(corpus, slice.vector());

      eigenMetaData.put(slice, status);

    }

    return eigenMetaData;

  }

eigensToVerify遍历的是rawEigenvector里面的那三个eigenVectors；然后就调用verify方法，其中corpus是所有的输入数据（5行13列的数据），slice.vector()是eigenVectors中的一个，看verify的操作：

public EigenStatus verify(VectorIterable corpus, Vector vector) {

    Vector resultantVector = corpus.timesSquared(vector);

    double newNorm = resultantVector.norm(2);

    double oldNorm = vector.norm(2);

    double eigenValue;

    double cosAngle;

    if (newNorm > 0 && oldNorm > 0) {

      eigenValue = newNorm / oldNorm;

      cosAngle = resultantVector.dot(vector) / newNorm * oldNorm;

    } else {

      eigenValue = 1.0;

      cosAngle = 0.0;

    }

    return new EigenStatus(eigenValue, cosAngle, false);

  }

corpus.timesSquared(vector)就是前面的Job1，回顾下job1做的事情：就是把corpus矩阵中的每一个行向量乘以slice.vector()的转置得到的值d，然后使用原来的这个行向量中的项值乘以d在加上原值，得到更新后的行向量，在corpus中所有的行向量加起来得到最后的行向量，即是resultantVector，比如针对vector=[0.01671441233225078, 0.0935655369363106, 0.09132650234523473, -0.0680324702834075, -0.9461123439509093, 0.10210271255992123, 0.10042714365337412, 0.11137954332150339, 0.10331974823993555, 0.10621406378767596, 0.10586960137353602, 0.09262650242313884, 0.09059904726143547]；原始数据还是wine，那么得到的resultantVector就是：

{0:-285.43017035605783,1:-61.30237570857193,2:-68.94124551381431,3:-520.2302762811703,4:-3232.201254912267,5:-32.31785150049481,6:-37.63572264009423,7:-12.025276244275622,8:-28.58260635344015,9:-6.8801603142200065,10:-28.491567864130573,11:-68.13521243410383,12:4382.173720122737}

excel中得到的结果是：

-217.2301704

-50.91237571

-56.33124551

-437.0302763

-2673.201255

-17.4178515

-22.39572264

-10.55527624

-18.20260635

20.93983969

-23.47156786

-51.26521243

9897.17372

看到和java计算的结果还是有点误差的，这个等下在后面补充下（主要是验证写个job1的仿制代码）；

newNorm就是resultantVector自己点乘然后开根号，值为：5479.061620543984，excel中的是：10263.9596402234。汗，这个值就很不一样了，看来的确是要验证下了；oldNorm就是vector的自乘然后开根号；然后就返回了。

这里就新建了rank个Job了，所以一共有5个Job，这样job都完了。

2.验证篇：

前面说怎么后面计算的误差值那么大？按理说也只是小数点后面的误差而已，通过前面编写的TimesSquareMapperFollow来进行debug（注意这里的设置的路径，在运行RunSVD的时候需要修改DistributedRowMatrix的276、277行，把其注释掉，这样就不会删除那个临时文件了），然后就可以进行测试了，首先来看第一条输出向量的d值：

额，感觉和前面的后面8位小数点后才不一样而已；然后是计算的是第一个值：

这里就是和excel不一样，咋回事呢？回去看源代码，才发现原来不需要再加上原始值的，如下：

这样就对了。

分享，成长，快乐

转载请注明blog地址：http://blog.csdn.net/fansy1990

巴特西

mahout源码分析之DistributedLanczosSolver（五）Job over

最新文章

热门文章