0

我在 python3 jupyter notebook 上运行数据集过采样代码:-

片段

sm = SVMSMOTE(random_state=42)
X_res, Y_res = sm.fit_resample(X,Y)

但这需要太长时间才能执行。当我检查系统监视器时,它显示只有一个 CPU 核心正在以 100% 的容量使用。

所以我研究了如何使用所有可用的内核。

机器规格

我的机器相当强大,有 6 个核心。

Architecture:        x86_64
CPU op-mode(s):      32-bit, 64-bit
Byte Order:          Little Endian
CPU(s):              6
On-line CPU(s) list: 0-5
Thread(s) per core:  1
Core(s) per socket:  6
Socket(s):           1
NUMA node(s):        1
Vendor ID:           GenuineIntel
CPU family:          6
Model:               158
Model name:          Intel(R) Core(TM) i5-8600K CPU @ 3.60GHz
Stepping:            10
CPU MHz:             1186.900
CPU max MHz:         4300,0000
CPU min MHz:         800,0000
BogoMIPS:            7200.00
Virtualization:      VT-x
L1d cache:           32K
L1i cache:           32K
L2 cache:            256K
L3 cache:            9216K
NUMA node0 CPU(s):   0-5
Flags:               fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pge mca cmov pat pse36 clflush dts acpi mmx fxsr sse sse2 ss ht tm pbe syscall nx pdpe1gb rdtscp lm constant_tsc art arch_perfmon pebs bts rep_good nopl xtopology nonstop_tsc cpuid aperfmperf tsc_known_freq pni pclmulqdq dtes64 monitor ds_cpl vmx smx est tm2 ssse3 sdbg fma cx16 xtpr pdcm pcid sse4_1 sse4_2 x2apic movbe popcnt tsc_deadline_timer aes xsave avx f16c rdrand lahf_lm abm 3dnowprefetch cpuid_fault invpcid_single pti ssbd ibrs ibpb stibp tpr_shadow vnmi flexpriority ept vpid fsgsbase tsc_adjust bmi1 hle avx2 smep bmi2 erms invpcid rtm mpx rdseed adx smap clflushopt intel_pt xsaveopt xsavec xgetbv1 xsaves dtherm ida arat pln pts hwp hwp_notify hwp_act_window hwp_epp flush_l1d

Jupyter 功能:IPCluster

值得庆幸的是,笔记本电脑具有使用多个内核的功能。我运行并测试如下: -

在 Ubuntu 终端中:-

安装 ipyparallel 模块

pip3 install --upgrade ipyparallel

运行集群

ipcluster start --n 6 --daemonize

在 Jupyter 笔记本中:

案例一:使用睡眠

单核

%%time
import time
time.sleep(5)
输出
CPU times: user 725 µs, sys: 166 µs, total: 891 µs
Wall time: 5.03 s

多核

import ipyparallel as ipp

rc = ipp.Client()
rc[:]
%%px
%%time
import time
time.sleep(5)
输出
[stdout:0] 
CPU times: user 613 µs, sys: 33 µs, total: 646 µs
Wall time: 5 s
[stdout:1] 
CPU times: user 522 µs, sys: 46 µs, total: 568 µs
Wall time: 5.01 s
[stdout:2] 
CPU times: user 498 µs, sys: 29 µs, total: 527 µs
Wall time: 5.01 s
[stdout:3] 
CPU times: user 552 µs, sys: 34 µs, total: 586 µs
Wall time: 5.01 s
[stdout:4] 
CPU times: user 573 µs, sys: 28 µs, total: 601 µs
Wall time: 5 s
[stdout:5] 
CPU times: user 573 µs, sys: 40 µs, total: 613 µs
Wall time: 5 s

观察

多核差别不大。差不多5秒。因此不同的测试用例

测试用例 2:带循环

单核

%%time
for x in range(1000):
    print(x)
输出
...
996
997
998
999
CPU times: user 29 ms, sys: 9.6 ms, total: 38.6 ms
Wall time: 28.9 ms

多核

%%px
%%time
    for x in range(1000):
        print(x)
输出
[stdout:0] 
1
2
...
996
997
998
999
CPU times: user 10.9 ms, sys: 8.74 ms, total: 19.7 ms
Wall time: 20.1 ms

观察

同样,差别不大,几乎只有 8 秒。

问题

  1. 多核处理真的有助于加速指令执行吗?
  2. 否则,如何使我的代码片段SVMSMOTE fit_resample()运行得更快?
4

0 回答 0