Я выполняю код избыточной выборки набора данных на записной книжке Python3 Jupyter: -
Фрагмент
sm = SVMSMOTE(random_state=42)
X_res, Y_res = sm.fit_resample(X,Y)
, но это занимает слишком много времени для выполнения.Когда я проверил системный монитор, он показал, что на 100% используется только одно ядро ЦП.
Поэтому я исследовал, как использовать все доступные ядра.
Характеристики машины
Моя машина довольно мощная с 6 ядрами.
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
Функция Jupyter: IPCluster
К счастью, ноутбук обладает функциональностью для использования нескольких ядер.Я запустил и протестировал его следующим образом: -
В терминале Ubuntu: -
установка модуля ipyparallel
pip3 install --upgrade ipyparallel
запуск кластеров
ipcluster start --n 6 --daemonize
В ноутбуке Jupyter:
Случай 1: использование сна
одноядерный
%%time
import time
time.sleep(5)
выход
CPU times: user 725 µs, sys: 166 µs, total: 891 µs
Wall time: 5.03 s
многоядерный
import ipyparallel as ipp
rc = ipp.Client()
rc[:]
%%px
%%time
import time
time.sleep(5)
выход
[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
Наблюдение
Не много различий по нескольким ядрам.Это почти 5 секунд.Поэтому другой тестовый пример
Контрольный пример 2: с циклом
одноядерный
%%time
for x in range(1000):
print(x)
выход
...
996
997
998
999
CPU times: user 29 ms, sys: 9.6 ms, total: 38.6 ms
Wall time: 28.9 ms
многоядерный
%%px
%%time
for x in range(1000):
print(x)
выход
[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
Наблюдение
Опять не большая разница, всего 8 секунд.
Вопросы
- Действительно ли многоядерная обработка помогает ускорить выполнение инструкций?
- Как сделать так, чтобы мой фрагмент кода о
SVMSMOTE fit_resample() работал быстрее?