终于开始攻克并行这一块了，有点小兴奋，来看看网络上R语言并行办法有哪些：

赵鹏老师（R与并行计算）做的总结已经很到位。现在并行可以分为：

隐式并行：隐式计算对用户隐藏了大部分细节，用户不需要知道具体数据分配方式 ，算法的实现或者底层的硬件资源分配。系统会根据当前的硬件资源来自动启动计算核心。显然，这种模式对于大多数用户来说是最喜闻乐见的。

显性并行：显式计算则要求用户能够自己处理算例中数据划分，任务分配，计算以及最后的结果收集。因此，显式计算模式对用户的要求更高，用户不仅需要理解自己的算法，还需要对并行计算和硬件有一定的理解。值得庆幸的是，现有R中的并行计算框架，如parallel (snow,multicores)，Rmpi和foreach等采用的是映射式并行模型（Mapping），使用方法简单清晰，极大地简化了编程复杂度。R用户只需要将现有程序转化为*apply或者for的循环形式之后，通过简单的API替换来实现并行计算。

简单总结就是：

隐式并行：OpenBLAS，Intel MKL，NVIDIA cuBLAS，H2O(参考我的博客)等

显性并行：parallel（主打lapply应用）、foreach（主打for循环）、SupR、还有利用GPU的办法（gpuR）

同时并行时对内存的消耗极大，超级容易爆发内存问题，而且R的内存问题一直都是R很难解决的问题，这边笔者也把看到的一些方式列出来。

当然在使用一些高大上的并行包以及框架之前，如果你能够从编码小细节优化，效率也能提高很多，譬如：

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

在最后笔者在实践中遇到的问题，进行对应的解决：

——————————————————————————————————

多数内容参考：R语言并行化基础与提高

parallel是base包，所以不用install.packages就可以直接调用。

原理：是利用CPU的核心进行训练。

应用场景：跟apply族（lapply/sapply效果一致）（

）

设置核心数：no_cores