增加n_jobs对GridSearchCV没有影响

Question

我设置了一个简单的实验，以在运行sklearnGridSearchCV时检查多核CPU的重要性KNeighborsClassifier。我得到的结果令我感到惊讶，我想知道我是否误解了多核的好处，或者我做得不好。

2-8个工作之间的完成时间没有差异。怎么来的 ？我已经注意到“ CPU性能”选项卡上的差异。在第一个单元运行时，CPU使用率约为13％，而最后一个单元则逐渐增加到100％。我期望它能更快完成。也许不是线性地更快，也就是8个工作将比4个工作快2倍，但要快一点。

这是我的设置方式：

我正在使用jupyter-notebook，单元格是指jupyter-notebook单元格。

我已经加载了MNIST，并在中使用0.05了3000数字的测试大小X_play。

from sklearn.datasets import fetch_mldata

from sklearn.model_selection import train_test_split

mnist = fetch_mldata('MNIST original')

X, y = mnist["data"], mnist['target']

X_train, X_test, y_train, y_test = X[:60000], X[60000:], y[:60000], y[60000:]

_, X_play, _, y_play = train_test_split(X_train, y_train, test_size=0.05, random_state=42, stratify=y_train, shuffle=True)

在下一个单元格中，我将进行设置KNN并设置一个GridSearchCV

from sklearn.neighbors import KNeighborsClassifier

from sklearn.model_selection import GridSearchCV

knn_clf = KNeighborsClassifier()

param_grid = [{'weights': ["uniform", "distance"], 'n_neighbors': [3, 4, 5]}]

然后，我为8个n_jobs值完成了8个单元格。我的CPU是具有4核8线程的i7-4770。

grid_search = GridSearchCV(knn_clf, param_grid, cv=3, verbose=3, n_jobs=N_JOB_1_TO_8)

grid_search.fit(X_play, y_play)

结果

Parallel(n_jobs=1)]: Done  18 out of  18 | elapsed:  2.0min finished

Parallel(n_jobs=2)]: Done  18 out of  18 | elapsed:  1.4min finished

Parallel(n_jobs=3)]: Done  18 out of  18 | elapsed:  1.3min finished

Parallel(n_jobs=4)]: Done  18 out of  18 | elapsed:  1.3min finished

Parallel(n_jobs=5)]: Done  18 out of  18 | elapsed:  1.4min finished

Parallel(n_jobs=6)]: Done  18 out of  18 | elapsed:  1.4min finished

Parallel(n_jobs=7)]: Done  18 out of  18 | elapsed:  1.4min finished

Parallel(n_jobs=8)]: Done  18 out of  18 | elapsed:  1.4min finished

第二次测试

随机森林分类器的使用要好得多。测试大小为0.5，30000图片。

from sklearn.ensemble import RandomForestClassifier

rf_clf = RandomForestClassifier()

param_grid = [{'n_estimators': [20, 30, 40, 50, 60], 'max_features': [100, 200, 300, 400, 500], 'criterion': ['gini', 'entropy']}]

Answer 1

以下是一些可能导致此行为的原因随着数量的增加 线程数，初始化和释放每个线程会产生明显的开销。我在i7 7700HQ上运行了您的代码，每次增加时，我都会看到以下行为n_job当n_job=1与n_job=2每个线程的时间（时间由每模型GridSearchCV评价充分训练模型和测试）为2.9s（总时间约2分钟）时n_job=3，时间为3.4s（总时间1.4分钟）时n_job=4，时间为3.8S（总时间58秒）当n_job=5，时间为4.2s（总时间51秒）当n_job=6，时间为4.2秒（总时间约为49秒）当n_job=7，时间为4.2秒（总时间约为49秒）当n_job=8，时间为4.2秒（总时间约为49秒）现在您可以看到，每个线程的时间增加了，但总体时间似乎有所减少（尽管超过了n_job=4 the different was not exactly linear) and remained constained withn_jobs> = 6`，这是由于初始化和释放线程会产生成本）。请参见github问题和本期。此外，可能还有其他瓶颈，例如数据量太大，无法同时广播到所有线程，线程在RAM上抢占（或其他资源等），如何将数据推入每个线程等。我建议您阅读有关Ahmdal定律的信息，该定律指出通过并行化可以实现加速的理论界限，该界限由以下公式提供： Image Source：Ahmdal定律：Wikipedia最后，这可能是由于数据大小以及用于训练的模型的复杂性所致。这是一篇博客文章，解释了有关多线程的相同问题。