Обязательно ли использовать df.unpersist()
после использования df.cache()
для освобождения кэш-памяти? Если я сохраняю свой DataFrame в кеше без сохранения, тогда код работает очень быстро. Однако, когда я использую df.unpersist()
, это занимает довольно много времени.
Обязательно ли использовать df.unpersist() после использования df.cache()?
23.05.2018
- Когда RDD очищается от мусора, для него автоматически вызывается unpersist. 23.05.2018
- @Rumoku: А когда RDD собирает мусор? 23.05.2018
- Это JVM, поэтому RDD стал пригодным для сборки мусора, как только на этот объект больше нет ссылок, не так ли? 23.05.2018
Ответы:
1
Это не обязательно, но если у вас впереди долгий путь и вы хотите высвободить ресурсы, которые вам больше не нужны, настоятельно рекомендуется это сделать. В любом случае Spark будет управлять ими для вас на основе LRU; цитата из документов:
Spark автоматически отслеживает использование кеша на каждом узле и удаляет старые разделы данных в режиме наименее недавно использованного (LRU).
Метод unpersist
делает это по умолчанию, но учтите, что вы можете явно unpersist
асинхронно вызвать его с параметром a blocking = false
.
df.unpersist(false) // unpersists the Dataframe without blocking
Метод unpersist
задокументирован здесь для Spark 2.3.0.
23.05.2018
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..
df.unpersist()
иdf.unpersist(false)
? 25.01.2021