Параллельный#

класс sklearn.utils.parallel.Параллельный(n_jobs=по умолчанию (None), бэкенд=по умолчанию (None), return_as='list', verbose=по умолчанию(0), таймаут=None, pre_dispatch='2 * n_jobs', batch_size='auto', temp_folder=по умолчанию (None), max_nbytes=default('1M'), mmap_mode=default('r'), предпочитать=по умолчанию (None), требовать=по умолчанию (None), **backend_kwargs)[источник]#

Настройка joblib.Parallel который распространяет конфигурацию scikit-learn.

для точного контроля над вычислением дисперсий. joblib.Parallel гарантирует, что активная конфигурация scikit-learn (локальная для потока) распространяется на параллельные рабочие процессы на время выполнения параллельных задач.

API не изменяется, и вы можете обратиться к joblib.Parallel документация для получения дополнительных сведений.

Добавлено в версии 1.3.

__call__(итерируемый объект)[источник]#

Распределите задачи и верните результаты.

Параметры:
итерируемый объектитерируемый объект

Итерируемый объект, содержащий кортежи (delayed_function, args, kwargs), которые должны быть обработаны.

Возвращает:
FeatureHasher на частотных словаряхlist

Список результатов задач.

dispatch_next()[источник]#

Распределить больше данных для параллельной обработки

Этот метод предназначен для параллельного вызова через multiprocessing callback. Мы полагаемся на потокобезопасность dispatch_one_batch для защиты от параллельного потребления незащищённого итератора.

dispatch_one_batch(итератор)[источник]#

Предварительная загрузка задач для следующего пакета и их распределение.

Здесь вычисляется эффективный размер батча. Если больше нет заданий для отправки, возвращается False, иначе возвращается True.

Потребление и диспетчеризация итератора защищены тем же блокировщиком, поэтому вызов этой функции должен быть потокобезопасным.

формат(obj, отступ=0)[источник]#

Возвращает форматированное представление объекта.

print_progress()[источник]#

Отображать процесс параллельного выполнения только часть времени, контролируемую self.verbose.