python - 如何在 GridSearchCV( ..., n_jobs = ... ) 中找到最佳进程数？

Question

我想知道，哪个更好地与 GridSearchCV( ..., n_jobs = ... ) 一起使用来为模型选择最佳参数集， n_jobs = -1 或 n_jobs 较大的数字，
如 n_jobs = 30 ?

基于 Sklearn 文档:

n_jobs = -1 means that the computation will be dispatched on all the CPUs of the computer.

在我的 PC 上，我有一个 Intel i3 CPU，它有 2 个内核和 4 个线程，这是否意味着如果我设置 n_jobs = -1，它会隐含地等于 n_jobs = 2 ?

Answer 1

... does that mean if I set n_jobs = -1, implicitly it will be equal to n_jobs = 2 ?

这个很简单:

python(GridSearchCV() 中的 scipy/joblib)用于检测 CPU 核心的数量，如果请求是通过 n_jobs = -1 设置。

看到 3 个 CPU 内核很有趣吗？

在某些可以综合模拟 CPU/内核的虚拟机案例中，结果并不像您已知的 Intel CPU/i3 案例那样微不足道。

如果有疑问，可以用一个简单的案例测试这个(在一个非常小的数据集上，而不是成熟的模型空间搜索......)然后让故事继续下去来证明这一点。

import psutil;                  print( "{0:17s}{1:} CPUs PHYSICAL".format(
      "psutil:",
       psutil.cpu_count( logical = False ) ) )
pass;                           print( "{0:17s}{1:} CPUs LOGICAL".format(
      "psutil:",
       psutil.cpu_count( logical = True  ) ) )
...

类似的主机平台“ self 检测”可能会报告不同系统/设置的更多详细信息:

'''
sys:             linux 
                 3.6.1 (default, Jun 27 2017, 14:35:15)  .. [GCC 7.1.1 20170622 (Red Hat 7.1.1-3)]

multiprocessing: 1 CPU(s)
psutil:          1 CPUs PHYSICAL
psutil:          1 CPUs LOGICAL
psutil:          psutil.cpu_freq(  per_cpu = True  ) not able to report. ?( v5.1.0+ )
psutil:          5.0.1
psutil:          psutil.cpu_times( per_cpu = True  ) not able to report. ?( vX.Y.Z+ )
psutil:          5.0.1
psutil:          svmem(total=1039192064, available=257290240, percent=75.2, used=641396736, free=190361600, active=581107712, inactive=140537856, buffers=12210176, cached=195223552, shared=32768)
numexpr:         ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ModuleNotFoundError: No module named 'numexpr'.
joblib:          ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ModuleNotFoundError: No module named 'joblib'.
sklearn/joblib:  ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ModuleNotFoundError: No module named 'sklearn.externals.joblib' 
'''

---

或者

''' [i5]
>>> numexpr.print_versions()
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Numexpr version:   2.5
NumPy version:     1.10.4
Python version:    2.7.13 |Anaconda 4.0.0 (32-bit)| (default, May 11 2017, 14:07:41) [MSC v.1500 32 bit (Intel)]
AMD/Intel CPU?     True
VML available?     True
VML/MKL version:   Intel(R) Math Kernel Library Version 11.3.1 Product Build 20151021 for 32-bit applications
Number of threads used by default: 4 (out of 4 detected cores)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
'''

---

... which is better to use with GridSearchCV to pick the best parameter set for a model,
n_jobs = -1 or n_jobs with a big number like n_jobs = 30 ?

对此没有简单的“一刀切”答案:

Scikit 工具(以及许多其他遵循这种做法的工具)用于在使用 n_jobs 指令时生成所需数量的并发进程实例(以便从共享 GIL 锁步进中逃脱 - 如果对细节感兴趣，请阅读其他地方的更多信息)。

这个过程实例化不是免费的(时间方面，即花费相当数量的[TIME]-域成本，还有空间-明智的，即花费至少 n_jobs 倍于 [SPACE] 中单个 python 进程实例的 RAM 分配/strong>-域)。

鉴于此，您的战斗是与双刃剑的战斗。

尝试“underbook”CPU 将使(一些)CPU 核心可能空闲。
尝试“超额预订”RAM-空间会使您的性能比预期更差，因为虚拟内存会导致操作系统交换，从而使您的机器学习规模的数据访问时间从~ 10+[ns] 慢了 100,000 多倍 ~ 10+ [ms] 这可不是什么令人高兴的事。

n_jobs = a_reasonable_amount_of_processes 的整体效果是 Amdahl's Law ( the re-formulated one, not an add-on overhead-naive version ) 的主题，因此将有一个实际的最优峰值(最大值)，即有多少 CPU 内核将有助于改善一个人的处理意图，超过这个峰值，开销成本(为 [TIME] 绘制的草图 -和 [SPACE] - 上面的域)实际上会降低任何潜在的积极影响预期。

在生产中对大型数据集使用 RandomForestRegressor() 后，我可以告诉您 [SPACE]-domain 是你试图进一步增加 n_jobs 的最大敌人，没有任何系统级调整可以克服这个边界(因此越来越多的超低延迟 RAM 和越来越多的(真实)CPU 核心是进入任何更大的 n_jobs 计算计划的唯一实用方法。