是否可以 运行 多个链与多个核心上的 JAGS（细分链）
Is it possible to run multiple chains with JAGS on multiple cores (subdividing chains)
我想知道是否可以在 5 或 6 个核心的 JAGS 中细分 3 个链，例如。这是我的代码：
library(parallel)
# There is no progression bar using parallel
jags.parallel(data = d$data,
inits = d$inits,
parameters.to.save = d$params,
model.file = model.jags,
n.chains = 3,
n.thin = 10,
n.iter = 9000,
n.burnin = 3000,
working.directory = NULL,
n.cluster = 3) ## the number of cluster it’s taking
如您所见，这是默认值，链数（nc 这里是 3，在我的例子中）等于使用的核心数。
- 这对 MCMC 的采样方式有何影响？
- 当 运行 MCMC 并行链时，R 是否有最佳内核数？
- 我看到如果我有 3 个链，我不能低于 3 个核心。它给了我这个 error：
Error in res[[ch]] : subscript out of bounds。为什么？
- 如果我增加核心数，则需要更长的时间（作为比较，12 核比 3 核多花费 7.2 倍的时间）！不应该反过来吗？
- 如何在不删除迭代、老化或添加细化（更多内核？更换 RAM？）的情况下使脚本更快？
我的电脑有 16 个内核，所以我可以灵活选择内核数量（还有 64 GB RAM 和 3 GHz Intel Xeon E5 处理器）。
不可能将 3 个链拆分到多个核心上。当 运行ning JAGS 在此处并行时实际上发生了什么：
对每个链进行指定的老化。在您的示例中，三个链将 运行 3000 步的模型并且不存储该信息。
一旦每条链都及时进行了适当的燃烧，您希望从后验分布中获得的样本数量就会平均分配到每条链上。在您的示例中，每个链将 运行 采样器进行 600 步 ((n.iter -n.thin)/n.chains)。
那么，让我们继续回答您的问题（#1 已在上面进行了解释）。
这个问题的答案将取决于您当时在那台计算机上还做了什么。你永远不想 运行 它在你计算机的所有 K 核上，因为它会占用你的大部分计算能力。对于较大的模型，我通常 运行 K-1 链在 K-1 核心上。对于简单的模型，这并不重要。
您可以在更少的核心上拥有多个链 运行，但是您会减慢速度，因为核心上的每个链都必须按顺序计算。相反，将更少的链外包到多个核心上是行不通的。如果你有 x 链，你不应该有 > x cores.
这通过问题 2 和 3 得到了回答。更多的链应该增加计算，但是没有更多链的更多核心不会。
如果不看你的模型，这个问题真的无法回答。
我想知道是否可以在 5 或 6 个核心的 JAGS 中细分 3 个链，例如。这是我的代码：
library(parallel)
# There is no progression bar using parallel
jags.parallel(data = d$data,
inits = d$inits,
parameters.to.save = d$params,
model.file = model.jags,
n.chains = 3,
n.thin = 10,
n.iter = 9000,
n.burnin = 3000,
working.directory = NULL,
n.cluster = 3) ## the number of cluster it’s taking
如您所见，这是默认值，链数（nc 这里是 3，在我的例子中）等于使用的核心数。
- 这对 MCMC 的采样方式有何影响？
- 当 运行 MCMC 并行链时，R 是否有最佳内核数？
- 我看到如果我有 3 个链，我不能低于 3 个核心。它给了我这个 error：
Error in res[[ch]] : subscript out of bounds。为什么？ - 如果我增加核心数，则需要更长的时间（作为比较，12 核比 3 核多花费 7.2 倍的时间）！不应该反过来吗？
- 如何在不删除迭代、老化或添加细化（更多内核？更换 RAM？）的情况下使脚本更快？
我的电脑有 16 个内核，所以我可以灵活选择内核数量（还有 64 GB RAM 和 3 GHz Intel Xeon E5 处理器）。
不可能将 3 个链拆分到多个核心上。当 运行ning JAGS 在此处并行时实际上发生了什么：
对每个链进行指定的老化。在您的示例中，三个链将 运行 3000 步的模型并且不存储该信息。
一旦每条链都及时进行了适当的燃烧，您希望从后验分布中获得的样本数量就会平均分配到每条链上。在您的示例中，每个链将 运行 采样器进行 600 步 (
(n.iter -n.thin)/n.chains)。
那么，让我们继续回答您的问题（#1 已在上面进行了解释）。
这个问题的答案将取决于您当时在那台计算机上还做了什么。你永远不想 运行 它在你计算机的所有 K 核上，因为它会占用你的大部分计算能力。对于较大的模型，我通常 运行 K-1 链在 K-1 核心上。对于简单的模型，这并不重要。
您可以在更少的核心上拥有多个链 运行，但是您会减慢速度，因为核心上的每个链都必须按顺序计算。相反，将更少的链外包到多个核心上是行不通的。如果你有
x链，你不应该有> x cores.这通过问题 2 和 3 得到了回答。更多的链应该增加计算，但是没有更多链的更多核心不会。
如果不看你的模型，这个问题真的无法回答。