scikit-learn 并行，资源管理和配置
8.3.1. 并行计算
一些scikit-learn的评估器与实用程序可以通过多核CPU进行并行计算，这要归功于下面的组件：
通过 joblib 库. 可以通过 n_jobs参数控制程序的进程或线程数量.通过OpenMP, 使用 C 或者 Cython 代码.
此外，如果numpy安装了特定的数字库（如MKL、OpenBLAS或BLIS），scikit learn内部使用的一些numpy例程也可以并行化。
我们将在下面的小节中描述这三个场景。
8.3.1.1. 基于Joblib的并行计算
当底层实现使用joblib时，可以通过n_jobs参数来控制并行生成的worker（线程或进程）的数量。
注意 在估计器中并行化发生的位置（和方式）目前文献记录不多。请帮助我们改进我们的文档并解决 issue 14228!
Joblib能够同时支持多处理和多线程。joblib选择生成线程还是进程取决于它使用的后端。Scikit learn通常依赖于loky后端，这是joblib的默认后端。Loky是一个多处理后端。
在进行多进程计算时，为了避免在每个进程中复制内存（对于大数据集来说这是不合理的），joblib将创建一个memmap当数据大于1MB时，所有进程都可以共享。
在某些特定情况下（当并行运行的代码释放GIL时），scikit learn将向joblib指示多线程后端是更可取的。
作为用户，您可以通过使用上下文管理器来控制joblib将使用的后端（无论scikit learn推荐什么）：
from joblib import parallel_backend
with parallel_backend('threading', n_jobs=2):
# Your scikit-learn code here
有关更多详细信息，请参阅joblib’s docs。
实际上，并行性运算是否有助于改进运行时取决于许多因素。实验通常是一个好主意，而不是假设增加并行计算的数量总是一件好事。在某些情况下，并行运行某些估计器或函数的多个副本会对性能造成极大的损害（请参阅下面的超额订阅）。
8.3.1.2. 基于OpenMP的并行运算
OpenMP使用Cython或C编写的代码实现并行化，完全依赖多线程。默认情况下（除非joblib试图避免超额使用）将使用尽可能多的线程。
您可以通过OMP-NUM-threads环境变量控制使用的线程的确切数量：
OMP_NUM_THREADS=4 python my_script.py
8.3.1.3. 基于特定数字库的numpy并行化例程
Scikit learn在很大程度上依赖于NumPy和SciPy，后者在内部调用在MKL、OpenBLAS或BLIS等库中实现的多线程线性代数例程。
OpenBLAS、MKL或BLIS库使用的线程数可以通过MKL_NUM_threads、OpenBLAS_NUM_threads和BLIS_NUM_threads环境变量设置。
请注意，scikit learn无法直接控制这些实现。Scikit-learn完全依赖于Numpy和Scipy
注意 在撰写本文时（2019年），NumPy和SciPy软件包在pypi.org网站（通过pip安装）。conda forge通道上安装的conda包与OpenBLAS链接，而从anaconda.org 默认通道上安装的conda包与MKL链接。
8.3.1.4. 过度消耗: 生成太多线程
通常建议避免使用比计算机上CPU数量多得多的进程或线程。当程序同时运行太多线程时，会发生过度消耗。
假设你有一台有8个CPU的机器。考虑一种情况，在histgradientboostingcrifier（与OpenMP并行）上运行GridSearchCV（与joblib并行）和n_jobs=8。HistGradientBoostingClassifier的每个实例将产生8个线程（因为您有8个CPU）。总共有8*8=64个线程，这会导致物理CPU资源的超额订阅和调度开销。
使用嵌套在joblib调用中的MKL，OpenBLAS或BLIS的并行化例程，可以以完全相同的方式产生超额订阅。
从joblib>=0.14开始，当使用oky后端（这是默认值）时，joblib将告诉其子进程，以限制它们可以使用的线程数，从而避免超额订阅。在实践中，joblib使用的启发式方法是通过相应的环境变量告诉进程使用max_threads=n_cpu//n_jobs。回到上面的例子，由于GridSearchCV的joblib后端是loky，因此每个进程只能使用1个线程而不是8个线程，从而减少了订阅过多的问题。
注意：
手动设置其中一个环境变量（
OMP NUM_THREADS、MKL NUM_THREADS、OPENBLAS NUM_THREADS或BLIS NUM_THREADS）将优先于joblib尝试执行的操作。线程总数将为n_jobs*_NUM_threads。请注意，设置此限制还将影响主进程中的计算，该进程只使用NUM线程。Joblib公开一个上下文管理器，以便更好地控制其工作线程的数量（请参阅下面链接的Joblib文档）。Joblib当前无法避免多线程上下文中的超额订阅。它只能使用“loky”后端（它生成进程）。
您将在joblib文档中找到有关joblib缓解超额订阅的其他详细信息。
8.3.2. 配置开关
8.3.2.1. python 运行时
sklearn.set_config 参数控制下列行为:
assume_finite（假设有限）
用于跳过验证，这可以加快计算速度，但如果数据包含NaN，则可能导致分段错误。
working_memory（工作内存）
一些算法使用的临时数组的最佳大小。
8.3.2.2. 环境变量
在导入scikit-learn之前应该先设置这些变量。
SKLEARN_SITE_JOBLIB
当此环境变量设置为非零值时，scikit-learn使用站点joblib而不是其供应商版本。因此，必须安装joblib才能运行scikit-learn。请注意，使用网站joblib需要您自担风险：scikit-learn和joblib的版本必须兼容。当前，支持joblib 0.11+。此外，joblib.Memory的转储可能不兼容，您可能会丢失一些缓存并必须重新下载一些数据集。
*从版本0.21开始不推荐使用：*从版本0.21开始，此参数无效，已删除供应商的joblib，并且始终使用站点joblib。
SKLEARN_ASSUME_FINITE
为
assume_finite参数 设置默认值sklearn.set_config.SKLEARN_WORKING_MEMORY
为
working_memory参数 设置默认值sklearn.set_config.SKLEARN_SEED
为了运行可重复性，在运行测试时设置全局随机数生成器的种子。
SKLEARN_SKIP_NETWORK_TESTS
当此环境变量设置为非零值时，将跳过需要网络访问的测试。