回答編集履歴
2
追記
test
CHANGED
|
@@ -15,3 +15,75 @@
|
|
|
15
15
|
|
|
16
16
|
|
|
17
17
|
ロジックを見直せるならそれが一番いいです。
|
|
18
|
+
|
|
19
|
+
|
|
20
|
+
|
|
21
|
+
|
|
22
|
+
|
|
23
|
+
# 追記
|
|
24
|
+
|
|
25
|
+
スレッド並列化のテスト。
|
|
26
|
+
|
|
27
|
+
|
|
28
|
+
|
|
29
|
+
```python
|
|
30
|
+
|
|
31
|
+
import time
|
|
32
|
+
|
|
33
|
+
import numpy as np
|
|
34
|
+
|
|
35
|
+
from concurrent.futures import ThreadPoolExecutor
|
|
36
|
+
|
|
37
|
+
from sklearn.neighbors import KNeighborsClassifier
|
|
38
|
+
|
|
39
|
+
|
|
40
|
+
|
|
41
|
+
X = np.random.normal(size=(16*10*3, 4*10**1))
|
|
42
|
+
|
|
43
|
+
y = np.random.normal(size=(16*10*3, )) > 0
|
|
44
|
+
|
|
45
|
+
|
|
46
|
+
|
|
47
|
+
def f():
|
|
48
|
+
|
|
49
|
+
model = KNeighborsClassifier(n_neighbors=30, weights='distance', algorithm='auto', leaf_size=30, n_jobs=-1)
|
|
50
|
+
|
|
51
|
+
model.fit(X, y)
|
|
52
|
+
|
|
53
|
+
model.predict(X[0:1])
|
|
54
|
+
|
|
55
|
+
|
|
56
|
+
|
|
57
|
+
t1 = time.time()
|
|
58
|
+
|
|
59
|
+
for _ in range(10**2):
|
|
60
|
+
|
|
61
|
+
f()
|
|
62
|
+
|
|
63
|
+
t2 = time.time()
|
|
64
|
+
|
|
65
|
+
print(t2 - t1) # 11.042834997177124
|
|
66
|
+
|
|
67
|
+
|
|
68
|
+
|
|
69
|
+
t1 = time.time()
|
|
70
|
+
|
|
71
|
+
with ThreadPoolExecutor() as executor:
|
|
72
|
+
|
|
73
|
+
res = [executor.submit(f) for _ in range(10**2)]
|
|
74
|
+
|
|
75
|
+
for f in res:
|
|
76
|
+
|
|
77
|
+
f.result()
|
|
78
|
+
|
|
79
|
+
t2 = time.time()
|
|
80
|
+
|
|
81
|
+
print(t2 - t1) # 0.8094661235809326
|
|
82
|
+
|
|
83
|
+
|
|
84
|
+
|
|
85
|
+
```
|
|
86
|
+
|
|
87
|
+
|
|
88
|
+
|
|
89
|
+
やっぱり待ち時間が長いので、スレッド並列は一つの答えかも。複数同時に回せるタスクがあるならですが。
|
1
編集
test
CHANGED
|
@@ -6,7 +6,7 @@
|
|
|
6
6
|
|
|
7
7
|
|
|
8
8
|
|
|
9
|
-
一度に大量のデータを流し込んで学習させれば並列性の低い部分がボトルネックになることは避けられますが、今回のような使い方では並列性の低い部分が足を引っ張り、スピードの出ようがありません。
|
|
9
|
+
一度に大量のデータを流し込んで学習・予測させれば並列性の低い部分がボトルネックになることは避けられますが、今回のような使い方では並列性の低い部分が足を引っ張り、スピードの出ようがありません。
|
|
10
10
|
|
|
11
11
|
|
|
12
12
|
|