20220811 -

0. 引言

在进行机器学习的相关实验中，当使用sklearn的时候，通常可以通过n_jobs=-1这个参数实现某些算法的并行化，例如集成学习的方法，或者是参数搜索的函数，通过查看相关的文档，或者直接去看这个代码，可以发现sklearn底层实现这部分功能是利用了joblib这个库，具体他是怎么实现的，我没有去深究，就是大致看了看比人的代码。

但是这里我遇到了另外的问题，我需要实现一种嵌套式的并行化代码。
例如github上有人针对类似的问题提出了这部分说法[1]，不过最后的时候，我看好像不了了之了。不过好像也看到了例如dask这种开源的机器学习并行库方法等。

1. 问题具体说明

我的问题大致上是和[1]的需求一样的，我采用了一种集成分类器，他的开源代码通过n_jobs制定了并行化的方式，而且这部分代码其实是没什么问题的。例如10个基分类器，通过进程信息可以看到10个进程在同时跑，同时工作。

但是我这里有一个另外的需求，我需要对这个10个分类器，分别求取最优的参数集合，那么就需要一个类似网格搜索的代码，但是当你在这个分类器进行训练的时候，将这部分代码加入进去之后，会发现，即使在网格搜索的部分加入了n_jobs=-1，也依然是10个进程在跑。

从本质上来说，也就是嵌套式的并行化跑。内部的程序并没有发生作用。

每个东西跑上挺久，反正最后也能出结果，倒是问题也不大。但是，如果数据量比较大，光等结果的时候可能就什么也干不了，就挺尴尬。

所以就搜了搜，这部分内容，其实说实话，搜了挺久，好像大部分都仅仅是针对外围部分的信息，而不是里面。

2. 解决方式

实际上，我最后都不知道他是怎么解决的，因为有人跟我又同样的需求，他自己提出了问题，然后自己提出了解决方案。

from joblib import Parallel, delayed, parallel_backend
import numpy as np

def parallel_in_parallel_test(i):
    a = np.ones((1000,1000))
    for j in range(2000):
        a *= np.random.randn(1000,1000)
    return a.sum()

def parallel_in_parallel_wrapper(j, n_threads=4):
    with parallel_backend("loky", inner_max_num_threads=n_threads):
        out2 = Parallel(n_jobs=n_threads)(delayed(parallel_in_parallel_test)(i) for i in range(100))
    return np.array(out2).sum()

out = Parallel(n_jobs=3)(delayed(parallel_in_parallel_wrapper)(j, n_threads=4) for j in range(100))

他的代码意思就是，并没有12个进程再跑。反而只有外面的4个在跑。

不过他自己也不知道为什么这样改了能够成功。

其实我自己思考了思考，出现依然是4个在跑的原因，本质上就是内部的设置，收到了外部的影响，当然具体是什么，并不好说， 但是肯定是收到了影响的。所以他修改了这个内部的环境，就修正了。

参考

[1]Nested Parallelism

[2]Joblib nested Parallel execution not making use of available cores