如何解决Kernal PCA 和 LLE 的结果对于为运行提供的不同数量的 CPU 内核是不同的
我正在使用 Scikit-Learns 的 KPCA 和有时 LLE API 进行降维。
我有一个形状约为（700X150）的全数字数据集。
我只是想将这些数据传递给上述 API 之一以减少其功能，我为它编写了一个简单的 python 脚本（比如 run.py），我可以从终端运行它，它还可以在减少后保存数据。
我面临的问题是，我在 linux 终端中使用“taskset”命令为特定运行分配一定数量的 cpu。我可以根据我机器上的 cpu 数量提供任意数量的 cpu，例如，终端命令可以是：
taskset -c 1-3 python run.py 当我想给 3 个核心时
或 taskset -c 1-2 python run.py 当我只想使用 2 个内核时。
或者当我不想指定任何 cpu 时，只需 python run.py。
问题是我在这三种情况下都得到了不同的结果，不同的结果我的意思是三个运行的输出数据彼此不同，这不应该发生，因为我使用了脚本、相同的输入数据和相同的对于所有三个运行的算法（KPCA 或 LLE），我还将“n_jobs”参数保持为 2，因为我在使用任务集时至少使用了 2 个 cpu。我还提供了一个 random_state。幸运的是，所有这 3 个结果都是完全可重现的，这意味着第一个命令（具有 3 个内核）将在每次运行时产生相同的输出数据，同样，如果多次运行，第二个和第三个命令在各自的每次运行中也会产生相同的结果。 但问题是为什么这些输出彼此不同？ 在我的运行中设置任务集对我来说很重要，因为我使用的是多核机器，我需要为不同的任务安排不同的 cpu，有时我有 2 个，有时我有 3 个，有时同一任务有 n 个 cpu我相应地给了它们，但我不希望结果因我给的 cpu 数量而有所不同，这也会影响我的分类性能，这也将在管道的后期进行。 另外，做了一些实验，当我使用 Isomap 减少我的数据时，我没有看到这种行为。无论我给多少 cpu，结果都是一样的。 我也用“numactl”命令代替“taskset”，但行为是一样的。
令人惊讶的是，在 R 语言中使用 kpca 函数时，我们也可以看到同样的行为！当我使用 R 做同样的事情时。这里有什么关于 KPCA 的常见和基本的东西是我遗漏的吗？
请帮忙。 谢谢， 普拉奈
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
