---

一、引言

scikit-learn 作为经典的机器学习框架，从诞生至今已发展了十余年，其简洁易用的 API 深受用户的喜欢（fit()、predict()、transform() 等），其他机器学习框架或多或少都会借鉴。但其运算速度一直广受用户的诟病。熟悉 scikit-learn 的朋友应该清楚，scikit-learn 中自带的一些基于 joblib 等库的运算加速功能效果有限，并不能很充分地利用算力。

今天给大家分享一个技巧，可以帮助我们在不改变原有代码的基础上，获得数十倍甚至上千倍的 scikit-learn 运算效率提升。

---

二、利用 sklearnex 加速 scikit-learn

为了达到加速运算的效果，只需要额外装上 sklearnex 这个库，就可以帮助我们在拥有 Intel 处理器的设备上，获得大幅度的运算效率提升。

这种较新的库，最好创建一个干净的 conda 虚拟环境做实验（免得某些依赖库版本跟 Base 环境里冲突，多一些不必要麻烦）全部命令如下，我们顺便安装jupyterlab作为IDE：

conda create -n sklearnex python=3.8
conda activate sklearnex

conda install jupyter
conda install nb_conda
pip install scikit-learn scikit-learn-intelex -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
1
2
3
4
5
6

完成实验环境的准备后，在 jupyter notebook 中编写测试用代码来看看加速效果如何，使用方式很简单，只需要在代码中导入scikit-learn相关功能模块之前，运行下列代码即可：

from sklearnex import patch_sklearn, unpatch_sklearn
patch_sklearn()
1
2

成功开启加速模式后会打印以下信息：

其他要做的仅仅是将你原本的 scikit-learn 代码在后面继续执行即可，我在自己平时学习和写代码的老款华硕笔记本上简单测试了一下。

以 K-Means 聚类为例，在十万级别样本量的示例数据集上，开启加速后仅耗时 46.84 秒就完成对训练集的训练，而使用 unpatch_sklearn() 强制关闭加速模式后（注意 scikit-learn 相关模块需要重新导入），训练耗时随即上升到 100.52 秒，意味着通过 sklearnex 我们获得了 2 多倍的运算速度提升。

结果如下：

而按照官方的说法，越强劲的 CPU 可以获得的性能提升比例也会更高（就我本地跑 exampls 来看，老的 Intel CPU 加速不够劲儿），下图是官方在 Intel Xeon Platinum 8275CL 处理器下测试了一系列算法后得出的性能提升结果，不仅可以提升训练速度，还可以提升模型推理预测速度，在某些场景下甚至达到数千倍的性能提升：

官方也提供了一些 ipynb 示例：https://github.com/intel/scikit-learn-intelex/tree/master/examples/notebooks

展示了包含K-means、DBSCAN、随机森林、逻辑回归、岭回归等多种常用模型的加速，感兴趣的读者朋友们可以自行去查阅学习。

此外，还可加速 sklearn 在 GPU 上的表现，使用方法类似：

import numpy as np
import dpctl
from sklearnex import patch_sklearn, config_context
patch_sklearn()

from sklearn.cluster import DBSCAN

X = np.array([[1., 2.], [2., 2.], [2., 3.],
            [8., 7.], [8., 8.], [25., 80.]], dtype=np.float32)
with config_context(target_offload="gpu:0"):
    clustering = DBSCAN(eps=3, min_samples=2).fit(X)
1
2
3
4
5
6
7
8
9
10
11

---

参考了：

• 使用sklearnex大幅加速scikit-learn运算
• 一行代码加速 sklearn 运算上千倍