MATLAB: Jak ustawić losowe ziarno w parfor, aby uzyskać takie same wyniki, jak w przypadku serii?

Question

skonfigurować następujące minimalne przykład:

rng(0); 

randseedoffset = random('unid', 10^5) + 1; 

t = cell(10,1); 
for i = 1:10 
    rng(randseedoffset+i); 
    t{i} = random('unid', 1000); 
end 

disp(t); 

To będzie generować 10 liczb losowych i przechowywać je w t. Zawsze będzie generował te same losowe liczby w niezawodny sposób, ponieważ ustawiam ziarno na rng w pętli for.

Jeśli teraz zmienię for na parfor, otrzymam różnych wyników! Chociaż zawsze będą odtwarzalne.

Chcę przyspieszyć mój kod z parfor i nadal uzyskać takie same dokładnie takie same jak w przypadku liczb losowych dla ...

Answer 1

Ok, ja po prostu znaleźć przyczynę:

MATLAB obsługuje różne liczb losowych algorytmów genereation . W zwykłym ustawieniu aktualnej wersji jest to Mersenne Twister. Po przejściu do pętli parfor zmienia się to w coś, co nazywa się "Połączoną metodą rekursywną".

Problemem może być ustalona przez jawnie ustawić typ do 'twister' w pętli:

parfor i = 1:10 
    rng(randseedoffset+i, 'twister'); 
    t{i} = random('unid', 1000); 
end 

Answer 2

czuję potrzebę opracowania na ten temat. Nie resetuj nasion w pętli parfor, a ponadto nie używaj równolegle algorytmu Twister Mersenne (otrzymasz słabe wyniki statystycznej niezależności).

Powodem uzyskania różnych wyników jest to, że algorytm jest inny z powodu właściwości statystycznych, które te liczby powinny utrzymać. W równoległej puli MATLAB ustawi algorytm na 'combRecursive' i ustawi inny podstrum na każdym z robotów, więc dla liczb losowych jesteś dobry. Ponadto, pętla parfor nie gwarantuje —

• Kolejność, w jakiej pętle postępować,
• których pracownicy będą wykonujący każdy kawałek lub
• ilu iteracji wykonywane są na każdego pracownika.

Dlatego generowanie liczb losowych w pętlach parfor nie zwróci zwykle tych samych liczb losowych, nawet w tym samym stanie na każdym z nich. Zamiast zrobić RandStream ze strumieni algorytmu combRecursive ustawić globalny strumień na każdego pracownika w sPmd bloku, a następnie generować numery na każdego pracownika w sPmd bloku:

p = gcp; % Get or open a pool 

numWork = p.NumWorkers; % Get the number of workers 

s = RandStream.create('mrg32k3a','NumStreams',numWork,... 
    'CellOutput',true); % create numWork independent streams 

n = 200; % number of values to generate on each worker 
spmd 
    RandStream.setGlobalStream(s{labindex}); 
    x = rand(1,n); 
end 

% I generate row vectors as the Composite matrix x will return a 
% comma-separated list using the syntax, x{:}, which can then be 
% concatenated into a single vector: 
randVals2 = [x{:}]'; 

Answer 3

spróbować tego:

p = gcp; % Get or open a pool 

numWork = p.NumWorkers; % Get the number of workers 

stream = RandStream('mrg32k3a','seed',mydata.seed); 
RandStream.setGlobalStream(stream); 

% s = RandStream.create('mrg32k3a','NumStreams',numWork,'CellOutput',true,'Seed',mydata.seed); % create numWork independent streams 

n = 200; % number of values to generate on each worker 
spmd 
RandStream.setGlobalStream(stream); 
x = rand(1,n); 
end