优于线性：如何训练多个ML模型？

Question

对于ML任务，我通常想比较几个模型。伪代码可以是这样的：

preprocesssing
for model in models:
    model.fit(X_train,y_train)
postprocessing and evaluation

我想知道是否有任何（python）框架可以通过以下方式改进此功能：

1. 模型训练的并行化
2. 每次训练后对模型进行序列化
3. 显示中间结果
4. 模型的规格，例如通过XML或其他类似模型

我在这里找到了一个相关问题：Train multiple different sklearn models in parallel，但它没有完全回答我的问题。我相信必须已有一个框架。

Answer 1

首先，
一些主要的歧义
之间 纯粹的 [SERIAL] ，
a＆＃34;只是＆＃34; - [CONCURRENT] 和
你的专利帖子中的真实 - [PARALLEL] ， kindly review remarks

接下来的主题：

1）培训：
不同的ML模型（主要），但也是相同的模型（具有相邻的超参数设置），在不同的运行时间内执行 .fit() ，所以true- { {1}} 时间表主要是无法实现的，只有＆＃34; - [PARALLEL] 处理在许多ML管道自动化工具中都是可行的。除了初始视图之外，您可能也知道，通过将 [CONCURRENT] 和/或转换为distributed-system架构，可以逃避Python GIL步骤的问题，因为性能问题。

2）SERIALIZATION：
有人可能会提醒，除了一些独特且友好的＆＃34;例外，所有通用的SER / DES操作本质上都是纯粹的[SERIAL]，在温和的＃34; Complexity-ZOO的 multiprocessing 域的区域。

3）显示进度：
专业/ HPC ML管道的非核心部分，但如果愿意为少量此类信息支付 O( N ) - 域成本，则可以间接更好地报告一些{{3 ML-pipeline处理监视器，而不是＆＃34;嵌入＆＃34;进度条＆＃34;内部＆＃34; -ML-管道，如果寻找专业的ML管道基础设施确实浪费了几纳秒，它的价格非常昂贵。虽然对于原型设计来说似乎是一个好主意，但是一旦全局搜索空间和问题规模进入少数 [TIME] 的运行时间范围，即使是几纳秒的天真浪费也是如此每个周期停止变得有趣。

4）XML-BEAUTIFIED MODEL组件：
我不能说一般，因为我没有看到任何来自＆＃34;昂贵＆＃34;非核心XML或 - * - 美化模型描述。

最近〜60年的高级HPC专注，低延迟精心处理从未使用过单一的非核心功能，如果努力实现最终的处理性能，在 [CPU*weeks] 缩放搜索 - O( R^n * I^m )的空间根本没有位置 对不起直接和开放 - 希望你会喜欢这些观点（营销可能会播出相反的事情，但事实很重要）。