Spark程序在独立clu上运行时会产生奇怪的结果

Question

我有这个火花程序，我会尽量把它限制在相关的部分

# Split by delimiter ,
# If the file is in unicode, we need to convert each value to a float in order to be able to 
# treat it as a number
points = sc.textFile(filename).map(lambda line: [float(x) for x in line.split(",")]).persist()

# start with K randomly selected points from the dataset
# A centroid cannot be an actual data point or else the distance measure between a point and 
# that centroid will be zero. This leads to an undefined membership value into that centroid.
centroids = points.takeSample(False, K, 34)
#print centroids
# Initialize our new centroids
newCentroids = [[] for k in range(K)]
tempCentroids = []
for centroid in centroids:
    tempCentroids.append([centroid[N] + 0.5])
#centroids = sc.broadcast(tempCentroids)

convergence = False

ncm = NCM()

while(not convergence):
    memberships = points.map(lambda p : (p, getMemberships([p[N]], centroids.value, m)))
    cmax = memberships.map(lambda (p, mus) : (p, getCMax(mus, centroids.value)))
    # Memberships
    T = cmax.map(lambda (p, c) : (p, getMemberships2([p[N]], centroids.value, m, delta, weight1, weight2, weight3, c)))
    I = cmax.map(lambda (p, c) : (p, getIndeterminateMemberships([p[N]], centroids.value, m, delta, weight1, weight2,  weight3, c)[0]))
    F = cmax.map(lambda (p, c) : (p, getFalseMemberships([p[N]], centroids.value, m, delta, weight1,  weight2, weight3, c)[0]))
    # Components of new centroids
    wTm = T.map(lambda (x, t) : ('onekey', scalarPow(m, scalarMult(weight1, t))))
    #print "wTm = " + str(wTm.collect())
    print "at first reduce"
    sumwTm = wTm.reduceByKey(lambda p1, p2 : addPoints(p1, p2))
    #print "sumwTm = " + str(sumwTm.collect())
    wTmx = T.map(lambda (x, t) : pointMult([x[N]], scalarPow(m, scalarMult(weight1, t))))
    print "adding to cnumerator list"
    #print wTmx.collect()
    cnumerator = wTmx.flatMap(lambda p: getListComponents(p)).reduceByKey(lambda p1, p2 : p1 + p2).values()
    print "collected cnumerator, now printing"    
    #print "cnumerator = " + str(cnumerator.collect())
    #print str(sumwTm.collect())
    # Calculate the new centroids
    sumwTmCollection = sumwTm.collect()[0][1]
    cnumeratorCollection = cnumerator.collect()
    #print "sumwTmCollection = " + str(sumwTmCollection)
    #cnumeratorCollection =cnumerator.collectAsMap().get(0).items
    print "cnumeratorCollection = " + str(cnumeratorCollection)
    for i in range(len(newCentroids)):
        newCentroids[i] = scalarMult(1 / sumwTmCollection[i], [cnumeratorCollection[i]])
    centroids = newCentroids
    # Test for convergence
    convergence = ncm.test([centroids[N]], [newCentroids[N]], epsilon)

    #convergence = True 
    # Replace our old centroids with the newly found centroids and repeat if convergence not met
    # Clear out space for a new set of centroids
    newCentroids = [[] for k in range(K)]

这个程序在我的本地机器上运行得很好，但是当在独立集群上运行时，它的行为并不像预期的那样。它不一定抛出一个错误，但它所做的事情会给出与我在本地机器上运行时收到的不同的输出。集群和3个节点似乎运行良好。我有一种感觉，问题是我不断更新centroids，这是一个python列表，它每次都会通过while-loop进行更改。是否可能每个节点都没有该列表的最新副本？我想是的，所以我试着使用broadcast variable，但这些不能更新（只读）。我也试过使用accumulator，但那只是为了积累。我还试图将python列表保存为hdfs上的一个文件，以便每个节点都可以访问，但这没有很好地工作。你认为我对这个问题的理解正确吗？这里可能还有别的事吗？我怎样才能得到在本地机器上运行良好的代码，而不是在集群上运行的代码？在

Answer 1

感谢您一直以来对这个问题的关注和关注，特别是因为听起来我本可以发布更多的信息来让您的工作更轻松。问题出在这里

centroids = points.takeSample(False, K, 34)

我没有意识到这一点，但是经过一个简短的实验，这个函数每次都返回相同的输出，尽管它是我认为的随机样本。只要您使用相同的seed（本例中为34），您将得到相同的RDD作为回报。由于某些原因，集群上的RDD与返回到本地计算机的RDD不同。无论如何，由于每次都是相同的RDD，所以我的输出从未改变过。关于“随机”质心的问题是，这些特殊的质心产生了数学中的马鞍点，在那里质心不会收敛。答案的这一部分是数学和编程问题，所以我不再赘述。在这一点上，我真正的希望是，如果你愿意的话，其他人会得到帮助

centroids = points.takeSample(False, K, 34)

为了在每次调用时生成不同的样本，每次都将种子更改为某个随机数。在

我希望这些都有帮助。我从来没有花这么多时间来解决我的记忆问题。在

再次感谢。在