Question

我正在尝试使用for循环执行一次多启动优化（优化是通过scipy.optimize.minimize完成的）

from scipy.optimize import minimize
def multistart optimizer(func, x):
    x_mins = []
    fvals = []
    n = x.shape[1]
    for i in range(x.shape[0]):
        optRes = minimize(func, x0 = x[i], bounds = ((0,1),)*n, tol = 1.e-6)
        x_mins.append(optRes.x)
        fvals.append(optRes.fun)
    fval = min(fvals)
    x_min = x_mins[np.argmin(fvals)]

    return x_min, fval

这很好，直到初始起点的大小（在这种情况下为x）增加并且执行for循环所需的时间随之增加为止。因此，我想使用多个处理器来加快for循环中的速度（由于每个循环彼此独立，因此应该得到相同的结果）问题是我真的很不熟悉在python中使用多重处理，并且正在努力寻找正确的代码。有很多涉及“多重处理”模块的示例，但我似乎无法理解如何实现它们。

另一个问题是，所有示例似乎都使用if __name__ == '__main__':在其代码内执行并行化。我想知道是否可以避免这种情况，并且没有它就可以运行并行循环。更确切地说，如果我有一个在文件“ loop.py”中定义的循环，并使用“ main.py”在多个处理器中运行它，那么有可能吗？

Answer 1

我想知道是否可以避免这种情况，并且在没有它的情况下运行并行循环。更准确地说，如果我有一个在文件loop.py中定义的循环，并使用main.py在多个处理器中运行，那么有可能吗？

是的，可以。

class myThread(threading.Thread):
   def __init__(self, name):
      threading.Thread.__init__(self)
      self.name = name
   def run(self):
      print "Starting " + self.name

您可以创建Thread的子类，然后在任何地方调用它。

如果要在内部使用模型而无需重新初始化，请将其另存为静态或全局对象。

如何并行化Scipy优化器

1 个答案: