Question

我设置了一个简单的实验，以在通过GridSearchCV运行sklearn KNeighborsClassifier时检查多核CPU的重要性。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0.05中将3000位的X_play位数字用于测试。

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，我设置了KNN和一个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

第二项测试

随机森林分类器的使用要好得多。测试大小为0.5，30000张图片。

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']}]

Parallel(n_jobs=1)]: Done 150 out of 150 | elapsed: 110.9min finished
Parallel(n_jobs=2)]: Done 150 out of 150 | elapsed: 56.8min finished
Parallel(n_jobs=3)]: Done 150 out of 150 | elapsed: 39.3min finished
Parallel(n_jobs=4)]: Done 150 out of 150 | elapsed: 35.3min finished
Parallel(n_jobs=5)]: Done 150 out of 150 | elapsed: 36.0min finished
Parallel(n_jobs=6)]: Done 150 out of 150 | elapsed: 34.4min finished
Parallel(n_jobs=7)]: Done 150 out of 150 | elapsed: 32.1min finished
Parallel(n_jobs=8)]: Done 150 out of 150 | elapsed: 30.1min finished

Answer 1

有一些原因可能是这种行为的原因

随着数量的增加在线程数量方面，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n_job时都会看到以下行为
- 当n_job=1和n_job=2时，每个线程的时间（通过GridSearchCV对模型进行完全训练并进行测试的每个模型评估的时间）为2.9s（总时间约为2分钟）
- 当n_job=3时，时间为3.4秒（总时间为1.4分钟）
- 当n_job=4时，时间为3.8秒（总时间为58秒）
- n_job=5时，时间为4.2秒（总时间为51秒）
- 当n_job=6时，时间为4.2秒（整个时间约为49秒）
- 当n_job=7时，时间为4.2秒（整个时间约为49秒）
- 当n_job=8时，时间为4.2秒（整个时间约为49秒）
现在您可以看到，每个线程的时间增加了，但总的时间似乎减少了（尽管超过n_job=4 the different was not exactly linear) and remained constained with n_jobs> = 6`，这是由于以下事实造成的：释放线程。请参见this github issue和this issue。
此外，可能还存在其他瓶颈，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），如何将数据压入每个线程线程等。
我建议您阅读有关Ahmdal定律的信息，该定律指出通过公式给出的并行化可以实现加速的理论界限图片来源：Ahmdal's Law : Wikipedia
最后，这可能是由于数据大小以及您用于训练的模型的复杂性所致。

这里a blog post解释了有关多线程的相同问题。

增加n_jobs对GridSearchCV没有影响

1 个答案: