Question

我正在使用带有NN实现的开发版的Python sklearn包。我的任务是用不同的输入数据和预测平均值训练4个NN

X_median = preprocessing.scale(data_median)
X_min = preprocessing.scale(data_min)
X_max = preprocessing.scale(data_max)
X_mean = preprocessing.scale(data_mean)

我创建了像这样的神经网络

NN1 = MLPClassifier(hidden_layer_sizes = (50), activation = 'logistic', algorithm='adam', alpha= 0 , max_iter = 40, batch_size = 10, learning_rate = 'adaptive', shuffle = True, random_state=1)
NN2 = MLPClassifier(hidden_layer_sizes = (50), activation = 'logistic', algorithm='adam', alpha= 0 , max_iter = 40, batch_size = 10, learning_rate = 'adaptive', shuffle = True, random_state=1)
NN3 = MLPClassifier(hidden_layer_sizes = (50), activation = 'logistic', algorithm='adam', alpha= 0 , max_iter = 40, batch_size = 10, learning_rate = 'adaptive', shuffle = True, random_state=1)
NN4 = MLPClassifier(hidden_layer_sizes = (50), activation = 'logistic', algorithm='adam', alpha= 0 , max_iter = 40, batch_size = 10, learning_rate = 'adaptive', shuffle = True, random_state=1)

（标准sklearn功能）

我希望对上述数据集进行训练。如果不使用池，我的代码将如下所示：

NN1.fit(X_mean,train_y)
NN2.fit(X_median,train_y)
NN3.fit(X_min,train_y)
NN4.fit(X_max,train_y)

当然，由于所有4个训练都是独立的，我想并行运行它们，我想我应该使用池来实现这个目标。但是，我完全不了解如何执行计算。我会假设写这样的东西：

pool = Pool()
pool.apply_async(NN1.fit, args = (X_mean, train_y))

然而，这不会产生任何结果，我甚至可以这样输入（只传递一个参数），程序将完成没有任何错误！ pool.apply_async(NN1.fit, args = (X_mean,))。

执行此类计算的正确方法是什么？有人可以建议好的资源来理解Python多处理的用法吗？

Answer 1

最后我让它成功了）

我的解决方案基于answer。因此，首先创建两个帮助功能：

1）

def Myfunc(MyNN,X,train_y):
MyBrain.fit(X,train_y)
return MyNN

这只是为了提供所需的全局函数来提供池方法

2）

def test_star(a_b):
return Myfunc(*a_b)

这是it- help函数的关键部分，它采用1个参数并将其拆分为Myfunc所需的args数量。

然后只需创建

mylist = [(NN_mean,X_mean, train_y), (NN_median,X_median, train_y)]

并执行

NN_mean, NN_median = pool.map(test_star, my list).

从我的观点来看，这个解决方案非常难看，但它确实有效。我希望有人可以创造更优雅的一个并发布它：）。

对sklearn NN使用python多处理

1 个答案: