Parallel

class sklearn.utils.parallel.Parallel(n_jobs=default(None), backend=default(None), return_as='list', verbose=default(0), timeout=None, pre_dispatch='2 * n_jobs', batch_size='auto', temp_folder=default(None), max_nbytes=default('1M'), mmap_mode=default('r'), prefer=default(None), require=default(None), **backend_kwargs)

Abwandlung von joblib.Parallel, die die Scikit-learn-Konfiguration weitergibt.

Diese Unterklasse von joblib.Parallel stellt sicher, dass die aktive Konfiguration (Thread-lokal) von scikit-learn für die Dauer der Ausführung der parallelen Tasks an die parallelen Worker weitergegeben wird.

Die API ändert sich nicht und Sie können für weitere Details die Dokumentation von joblib.Parallel konsultieren.

Hinzugefügt in Version 1.3.

__call__(iterable)

Verteilt die Tasks und gibt die Ergebnisse zurück.

Parameter:

iterableiterable

Iterable, das Tupel aus (delayed_function, args, kwargs) enthält, die verarbeitet werden sollen.

Gibt zurück:

resultslist

Liste der Ergebnisse der Tasks.

dispatch_next()

Sendet weitere Daten für die parallele Verarbeitung

Diese Methode ist dafür vorgesehen, gleichzeitig vom Multiprocessing-Callback aufgerufen zu werden. Wir verlassen uns auf die Thread-Sicherheit von dispatch_one_batch, um gleichzeitigen Zugriff auf den ungeschützten Iterator zu verhindern.

dispatch_one_batch(iterator)

Holt die Tasks für den nächsten Batch vor und verteilt sie.

Die effektive Größe des Batches wird hier berechnet. Wenn keine weiteren Jobs zu verteilen sind, wird False zurückgegeben, andernfalls True.

Der Verbrauch des Iterators und die Verteilung werden vom selben Sperrmechanismus geschützt, sodass der Aufruf dieser Funktion Thread-sicher sein sollte.

format(obj, indent=0)

Gibt die formatierte Darstellung des Objekts zurück.

print_progress()

Zeigt den Fortschritt der parallelen Ausführung nur einen Bruchteil der Zeit an, gesteuert durch self.verbose.