1介绍大家好，我是费老师。scikit-learn作为一个经典的机器学习框架，自诞生至今已经发展了十余年，但其计算速度却广受用户诟病。.熟悉scikit-learn的朋友应该知道scikit-learn内置的一些基于joblib等库的计算加速功能作用有限，不能充分利用计算能力。今天要给大家介绍的知识，可以帮助我们在不改动原代码的情况下，将scikit-learn的计算效率提高几十倍甚至上千倍，走起！2使用sklearnex加速scikit-learn为了达到加速计算的效果，我们只需要安装sklearnex扩展库，它可以帮助我们在intel处理器的设备上获得计算效率的大幅提升。抱着谨慎的态度，我们可以在单独的conda虚拟环境中做实验。所有命令如下。我们顺便安装jupyterlab作为IDE：condacreate-nscikit-learn-intelex-demopython=3.8-chttps://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main-ycondaactivatescikit-learn-intelex-demopipinstallscikit-learnscikit-learn-intelexjupyterlab-ihttps://pypi.douban.com/simple/done实验环境准备好后，我们在jupyterlab中编写测试代码，看看加速效果如何效果是。使用方法非常简单。我们只需要在代码中导入scikit-learn相关功能模块之前运行如下代码即可：fromsklearneximportpatch_sklearn,unpatch_sklearnpatch_sklearn()成功开启加速模式后会打印如下信息：其他要做的就是继续稍后执行您的原始scikit-learn代码。我通常编写和开发开源项目。我只是在我的笔记本上测试了一下。以线性回归为例，在百万样本、数百特征的样本数据集上，开启加速后，使用unpatch_sklearn()强制加速后，仅需0.21秒即可完成训练集的训练模式被关闭（注意scikit-learn相关模块需要重新导入），训练时间立马上升到11.28秒，这意味着我们通过sklearnex获得了50多倍的计算速度！按照官方的说法，CPU越强大，性能提升比例就越高。下图是官方在IntelXeonPlatinum8275CL处理器下测试一系列算法后的性能提升结果，不仅可以提升训练速度，还可以提升模型推理和预测速度，甚至可以实现上千倍的性能提升一些场景：官方也提供了一些ipynb示例（https://github.com/intel/scikit-learn-intelex/tree/master/examples/notebooks），展示了包括K-means、DBSCAN、随机森林、逻辑回归、岭回归等，有兴趣的读者可以自行下载学习。
