我在i,j上运行一个双嵌套循环，并在内部循环中使用sklearn的PCA函数。虽然我没有使用任何并行处理包，但任务管理器告诉我，我所有的CPU都在80%-100%之间运行。我对此感到惊喜，有两个问题：
1) 这是怎么回事？python是如何决定使用多个CPU的？它是如何打破循环的？打印出i,j值，它们仍在按顺序完成。
2) 通过显式地将代码与包并行化，代码的速度会更快吗？还是差异可以忽略不计？
"几个scikit学习工具…内部依赖Python的多处理模块，通过传递n_jobs>1作为参数，将执行并行化到几个Python进程上。">
因此，一种解释是，代码中的某个地方n_jobs是sklearn进程的有效参数。不过我有点困惑，因为只有专门的PCA工具在文档中才有这个论点。
https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html(无n_jobs)
https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.KernelPCA.html(具有n_jobs)
https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.MiniBatchSparsePCA.html(具有n_jobs)
Numpy也可能是罪魁祸首，但您必须深入研究实现，才能开始检查sklearn在哪里使用numpy并行工具。
Sklearn有一个专门用于优化现有sklearn工具(以及编写自己的工具)的登录页。他们提供了各种建议，特别提到了joblib。看看