关于intel:机器学习模型太慢来看看英特尔R-扩展加速-⛵

作者：韩信子@ShowMeAI
机器学习实战系列：https://www.showmeai.tech/tutorials/41
本文地址：https://www.showmeai.tech/article-detail/295
申明：版权所有，转载请分割平台与作者并注明出处
珍藏ShowMeAI查看更多精彩内容

咱们在利用机器学习模型时，除了最终成果，也十分关注它们的性能。而机器学习模型的性能，不仅仅取决于咱们的利用形式（特色多少、模型复杂度），也和硬件非亲非故。

在本篇内容中，ShowMeAI 要给大家介绍到的是 Intel 针对 Scikit-Learn 机器学习工具库做的减速不定，能够十分大程度减速咱们的模型训练与预测速度。

在咱们的机器学习利用案例中，应用intel拓展减速的形式，仅仅破费原始建模形式1/5的工夫，能够实现一样的工作达到统一的成果。

Scikit-Learn （SKlearn) 机器学习工具库

Scikit-Learn （Sklearn) 是 Python 中最有用和最弱小的机器学习库。它通过 Python 中的接口为机器学习和统计建模提供了一系列无效工具，包含分类、回归、聚类和降维。

SKLearn 官网
SKLearn Github

SKLearn 的疾速应用办法也举荐大家查看[ShowMeAI](https://www.showmeai.tech/)的文章和速查手册：
机器学习实战 | SKLearn入门与简略利用案例
机器学习实战 | SKLearn最全利用指南
AI 垂直畛域工具库速查表 | Scikit-Learn 速查表

面向 Scikit-Learn 的英特尔扩大

Scikit-Learn是一个大而全的工具库，但它的性能并不总是最佳的，有时候一些 ML 算法可能须要数小时能力运行，工夫老本很高。

面向 Scikit-Learn 的英特尔扩大（Intel(R) Extension for Scikit-learn）只需在大家相熟的建模办法根底上，增加几行代码，就能显着晋升性能，而且它也是开源的。

scikit-learn-intelex 提速成果

通过 scikit-learn-intelex 优化算法运行形式，能够取得 1-3 个数量级的效率改良，最终取决于应用到的数据集和算法。

Intel Extension for Scikit-Learn 提供了许多 Scikit-Learn 算法（下表）的优化实现，这些算法与原始版本统一，有一样的最终后果。
即便大家应用到了以后拓展不反对的算法或参数，工具包也会主动退回到原始 Scikit-Learn，保障大家无缝连接，大部分代码能够维持原来的模式，无需重写代码。

利用英特尔® Extension for Scikit-learn 能够对上述 Scikit-Learn 算法效率优化，具体的能够参考官网介绍。

工具库装置&配置

Intel Extension for Scikit-Learn 反对 x86 架构上的 Linux、Windows 和 Mac 零碎。它能够应用 PyPI 或 Anaconda Cloud 下载：

从 PyPI 装置

只需在命令行运行 pip 命令进行装置：

pip install scikit-learn-intelex

从 Anaconda 装置

◉ Conda-Forge形式：

onda install scikit-learn-intelex -c conda-forge

◉ 英特尔渠道：

conda install scikit-learn-intelex -c intel

◉ 默认形式：

conda install scikit-learn-intelex

从容器装置

请留神，正确拜访链接须要 DockerHub 帐户。

大家能够通过以下命令，将最新的英特尔® Scikit-Learn 扩大装置为 Docker 容器：

docker pull intel/intel-optimized-ml:scikit-learn

英特尔® Scikit-Learn 扩大应用办法：

打补丁 `patch_sklearn`

◉ patch是一种保留 Scikit-Learn 库存版本以供应用的办法，大家能够在代码结尾增加它（ patch_sklearn()函数调用），如下所示：

############### 在此处插入补丁########################## from sklearnex import patch_sklearnpatch_sklearn()##################################################################

◉ 这个补丁之后的所有import语句导入的来自sklearn的算法，都会优先导入Scikit-Learn优化版本

# Importing sklearn optimised version of LogisticRegressionfrom sklearn.linear_model import LogisticRegression# Creating an object for model and fitting it on training data setlogmodel =  LogisticRegression()logmodel.fit(X_train_sm, y_train_sm)   # Predicting the Target variable                 predicted = logmodel.predict(X_test)# Classification Reportreport = metrics.classification_report(y_test, predicted)

️ 留神：导入程序十分重要，请大家肯定记得在导入Scikit-Learn工具库之前打补丁！
如果大家不想应用补丁，能够随时通过sklearnex.unpatch_sklearn()勾销intel的补丁。

其余代替计划

大家有很多代替计划，同样能够启用英特尔® Extension for Scikit-Learn优化：

◉ 在命令行间接应用拓展运行原始 Scikit-Learn 利用程序代码获取减速：

python -m sklearnex my_application.py

◉ 指定算法导入减速：

# 指定某个算法减速from sklearnex import patch_sklearnpatch_sklearn("SVC")# 指定若干个算法减速patch_sklearn(["SVC", "PCA"])# 撤销对于算法的减速补丁from sklearnex import unpatch_sklearn unpatch_sklearn("SVC")

查看优化算法列表

# 能够间接查看可减速算法列表from sklearnex import get_patch_namesget_patch_names()>>['pca','kmeans','dbscan', 'distances','linear','ridge','elasticnet','lasso', 'logistic','log_reg','knn_classifier','nearest_neighbors','knn_regressor', 'random_forest_classifier','random_forest_regressor', 'train_test_split', 'fin_check','roc_auc_score', 'tsne', 'logisticregression', 'kneighborsclassifier', 'nearestneighbors','kneighborsregressor', 'randomrorestclassifier', 'randomforestregressor','svr', 'svc', 'nusvr', 'nusvc','set_config', 'get_config','config_context']

全局补丁

如果大家想应用全局补丁来优化所有 Scikit-Learn 应用程序，无需任何额定操作，只须要在命令行运行：

python sklearnex.glob patch_sklearn

案例

咱们用一个案例来阐明一下，应用英特尔® Extension for Scikit-Learn，相比原始版本，有多大程度的晋升，这里应用到的业务场景是信用卡欺诈辨认场景。

数据能够在 Kaggle场景数据 下载，也能够在ShowMeAI 的百度网盘地址间接下载。

实战数据集下载（百度网盘）：公众号『ShowMeAI钻研核心』回复『实战』，或者点击这里获取本文 [[8] 面向 Scikit-Learn 的英特尔减速扩大补丁](https://www.showmeai.tech/art...) 『creditcard 信用卡欺诈场景数据集』
⭐ ShowMeAI官网GitHub：https://github.com/ShowMeAI-Hub

勾销补丁的原始版本

因为咱们的电脑上进行了配置，intel优化的算法会全局失效，为了比照原始版本的sklearn速度，咱们这里应用unpatch_sklearn()函数勾销补丁，整个逻辑回归模型训练与测试破费了 35.5 秒。

################ Insert Patch here ############################from sklearnex import unpatch_sklearnunpatch_sklearn()########################################################### 导入from sklearn.linear_model import LogisticRegression# 开始工夫start_time = time.time()# 初始化模型并你和数据集logmodel = LogisticRegression()logmodel.fit(X_train_sm, y_train_sm)   # 测试集预估                 predicted = logmodel.predict(X_test)patched_time = time.time() - start_timeprint("Time to calculate \033[1m logmodel.predict in Unpatched scikit-learn {:4.1f}\033[0m seconds".format(patched_time))# 成果评估report = metrics.classification_report(y_test, predicted)print(f"Classification report for Logistic Regression with SMOTE:\n{report}\n")

运行后果截图如下所示：

增加补丁的减速版本

上面是咱们测试Intel优化版Logistic Regression算法，代码应用patch_sklearn()增加补丁，最初执行工夫 7.1秒，能够看到，只破费了原始版本20%的工夫，却获得了齐全一样的成果！

总结

本文介绍了英特尔针对Scikit-Learn的减速扩大，它的一些特点包含：

优化常见 ML 算法的性能
缩小 ML 训练和推理工夫
提供无缝体验（只需增加两行代码即可启用减速）

参考资料

实战数据集下载（百度网盘）：公众号『ShowMeAI钻研核心』回复『实战』，或者点击这里获取本文 [[8] 面向 Scikit-Learn 的英特尔减速扩大补丁](https://www.showmeai.tech/art...) 『creditcard 信用卡欺诈场景数据集』
⭐ ShowMeAI官网GitHub：https://github.com/ShowMeAI-Hub
SKLearn 官网：https://scikit-learn.org/stable/
SKLearn Github：https://github.com/scikit-learn/scikit-learn
scikit-learn-intelex：https://github.com/intel/scikit-learn-intelex
机器学习实战 | SKLearn入门与简略利用案例：https://www.showmeai.tech/article-detail/202
机器学习实战 | SKLearn最全利用指南：https://www.showmeai.tech/article-detail/203
AI 垂直畛域工具库速查表 | Scikit-Learn 速查表：https://www.showmeai.tech/article-detail/108