增加 n_jobs 对 GridSearchCV 没有影响

Question

我设置了简单的实验来检查多核 CPU 的重要性，而运行 sklearn GridSearchCV 和 KNeighborsClassifier。我得到的结果让我感到惊讶，我想知道我是否误解了多核的好处，或者我没有做对。

2-8 个作业的完成时间没有差异。怎么会？我注意到 CPU 性能选项卡上的差异。虽然第一个单元格是运行 CPU 使用率约为 13%，并且逐渐增加到最后一个单元格的 100%。我期待它能更快地完成。也许不是线性更快，也就是 8 个作业会比 4 个作业快 2 倍，但会快一点。

我是这样设置的：

我用的是jupyter-notebook，cell指的是jupyter-notebook cell。

我加载了 MNIST 并在 X_play.

中使用 0.05 测试大小 3000 数字

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 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

第二次测试

随机森林分类器的使用要好得多。测试大小为 0.5、30000 张图像。

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

以下是一些可能导致此行为的原因

随着编号的增加。在线程中，初始化和释放每个线程会产生明显的开销。我运行你的代码在我的 i7 7700HQ 上，我看到以下行为随着每个 n_job
- 当n_job=1和n_job=2时，每个线程的时间（GridSearchCV 对模型进行全面训练和测试的每个模型评估时间）为 2.9 秒（总时间约 2 分钟）
- 当n_job=3时，时间为3.4s（总时间1.4分钟）
- 当n_job=4时，时间为3.8s（总时间58秒）
- 当n_job=5时，时间为4.2s（总时间51秒）
- 当n_job=6时，时间为4.2s（总时间~49秒）
- 当n_job=7时，时间为 4.2 秒（总时间约 49 秒）
- 当n_job=8时，时间为4.2s（总时间~49秒）
现在如您所见，每个线程的时间增加了，但总体时间似乎减少了（尽管超过 n_job=4 the different was not exactly linear) and remained constained withn_jobs>=6` 这是因为初始化和释放线程会产生成本。参见 this github issue and this issue.
此外，可能还有其他瓶颈，例如数据太大而无法同时广播到所有线程，线程抢占 RAM（或其他资源等），数据如何被推入每个线程等
我建议您阅读 Ahmdal 定律，其中指出通过公式给出的并行化可以实现的加速在理论上有界限图片来源：Ahmdal's Law : Wikipedia
最后，这可能是由于数据大小和您用于训练的模型的复杂性所致。

这里 a blog post 解释了关于多线程的相同问题。

增加 n_jobs 对 GridSearchCV 没有影响

Increasing n_jobs has no effect on GridSearchCV

python

multithreading

knn

scikit-learn