最近，关于用conda输入的Numpy的速度要比使用pip输入的Numpy快一些(尽管原始文章不是最近的)，对此已有一些讨论。在本文中，我将说明如果您设计安装程序，scikit-learn也可以更快地工作。
简介
文章，" Anaconda的NumPy看起来很快，所以我尝试了。"
https://tech.morikatron.ai/entry/2020/03/27/100000
我最近在Twitter时间轴上见过
多次(尽管原始文章写于2008年3月)。
据说conda安装的Numpy比pip安装的Numpy快。
为什么这么快？
在以上文章中，" Intel Core i7-9750H"用于CPU。
该CPU的规格如下。
https://www.intel.co.jp/content/www/jp/ja/products/processors/core/i7-processors/i7-9750h.html
在本规范的"指令集扩展"中描述了" Intel？SSE4.1，Intel？SSE4.2，Intel？AVX2"是一种味mis。
AVX2安装在指令集扩展中。
此外，AVX-512还安装在相对较新的高性能Intel CPU中。
对于AVX，详细页面如下，但它是流式SIMD扩展指令的后继页面。
"关键是它是一个功能，可以用一条指令执行多项操作。"
https://ja.wikipedia.org/wiki/流式SIMD扩展
Intel MKL(数学内核库)是Intel CPU的一项功能，通过使用该AVX2或更高版本的AVX2可以加快数学运算。
https://www.xlsoft.com/jp/products/intel/perflib/mkl/index.html
通过使用AVX2或AVX-512执行各种计算，它可以加快速度。
如果CPU与AVX兼容，则将使用此Intel MKL计算安装了
conda的Numpy，因此处理速度会更快。
英特尔的努力
在GPU时代，英特尔也在2017年左右努力工作，
我们已经发布了Numpy和sckit-learn库，它们支持Intel CPU(例如Intel MKL)上的加速。
pip install intel-scikit-learn
https://pypi.org/project/intel-scikit-learn/
pip install intel-numpy
https://pypi.org/project/intel-numpy/
通过这些，即使从pip安装，也可以从一开始就使用高速版本。
英特尔很早以前就发布了这样的版本，但是
该版本尚未赶上原始的Numpy和sklearn，并且尚未维护，因此
我们不建议使用这些。
加速scikit学习
我介绍的第一篇文章" Anaconda的NumPy看起来很快，所以我尝试了。"
https://tech.morikatron.ai/entry/2020/03/27/100000
即使在
，
的句子中
其他各种模块都采用了英特尔MKL。大！
NumPy
NumExpr
SciPy
Scikit-Learn
Tensorflow…在Windows中，它是一个单独的软件包，称为tensorflow-mkl
PyTorch…似乎还通过pip
使用了英特尔MKL
从
中可以看到，使用conda安装时，未经许可即安装了使用Intel MKL的快速版本。
但是，如果要使其最快地工作，请按照scikit-learn安装页面上的说明进行操作。
https://scikit-learn.org/stable/install.html
在此页面上
" scikit-learn的第三方分发"
写在
"英特尔conda频道"
英特尔conda频道
英特尔维护一个专用的conda通道，该通道提供了scikit-learn：
$ conda install -c intel scikit-learn
此版本的scikit-learn带有一些通用估计器的替代求解器，这些求解器来自DAAL C库，并针对多核Intel CPU进行了优化。
请注意，默认情况下未启用这些求解器，请参阅daal4py文档以获取更多详细信息。
通过自动连续集成运行完整的scikit-learn测试套件，检查与标准scikit-learn解算器的兼容性，如https://github.com/IntelPython/daal4py上所述。
如果将sckit-learn放在
的Intel conda通道上，则不仅是Intel MKL，而且是
某些scikit-learn处理已被Intel多核优化功能处理所取代。
它是
，因此，如果要使用最快版本的scikit-learn，请使用
$ conda安装scikit-learn
代替
$ conda install -c intel scikit-learn
我们建议使用
进行安装(在支持Intel AVX2或更高版本的CPU环境中)。
终于
AWS，深度学习图像和Azure DSVM(数据科学虚拟机)基于conda进行管理。
并且scikit-learn与conda一起安装。
我不知道它们是否是英特尔优化版本(如果有人知道，请告诉我)。
如果使用conda重新创建虚拟环境，则可以安装上述高速版本???
(您需要检查IaaS机器的CPU，以查看其是否支持AVX2。如果它是简易机器，则可能仅支持AVX)。
如上所述，这是一种加速Ccikit学习的方法，例如Conda Numpy。
(我在CPU方面不是很强壮，所以如果您输入有误，请发表评论)
备注
[信息传输]
最近，我在Twitter上发布了有关AI，业务和管理的信息，例如我发现有趣的文章和网站，以及对我阅读的书的印象。
小川裕太郎@ISID_AI_team
https://twitter.com/ISID_AI_team
我看到的信息既有趣又重要！我正在分享我的想法。
[其他]我领导的AI技术部开发团队正在寻找成员。如果您有兴趣，请单击此处
[免责声明]本文内容仅是作者的观点/传播方式，而不是作者所属公司的正式意见。