Python：我们如何并行化Python程序以利用GPU服务器？

在我们的实验室中，我们拥有具有以下特征的NVIDIA Tesla K80 GPU加速器计算：

Intel（R）Xeon（R）CPU E5-2670 v3@2.30GHz，48个CPU处理器，128GB RAM，12个CPU核，在Linux 64位下运行

我正在运行以下代码，在将不同的数据帧集垂直附加到单个系列的
随机森林回归器
模型中之后，它会执行
GridSearchCV
。我正在考虑的两个样本数据集位于

当我为一个巨大的数据集（大约200万行）运行这个程序时，执行
GridSearchCV
需要3天以上的时间。因此，我想知道
Python
线程是否可以使用多个CPU。我们如何使这个（或其他
Python
程序）利用多个CPU，以便它在短时间内更快地完成任务？谢谢你的提示
 您可以将
concurrent.futures
用于多处理或多线程，还有
PyCuda
用于使用GPUOK，谢谢，我现在就来阅读。您是否有一个可重复使用的示例？用于哪种方法？我列出了3个，几乎没有使用
PyCuda
的经验，我认为使用
多处理
听起来更好。我在这里找到了一个简单的例子：。我们如何将我在问题中发布的所有任务作为一个或两个函数传递？。我试图将我所有的gridSearchCV任务放在一个函数中并调用它，但它给了我一个错误
TypeError:“function”对象不可iterable
并发。futures
与多处理相同。无论创建什么函数，通常都会将单个参数作为输入，并传入一个iterable作为参数。我没有任何关于机器学习的例子，因为我不在那个领域工作。
import sys
import imp
import glob
import os
import pandas as pd
import math
from sklearn.feature_extraction.text import CountVectorizer 
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
import matplotlib
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt
import numpy as np
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import GridSearchCV
from sklearn.naive_bayes import MultinomialNB
from sklearn.linear_model import LassoCV
from sklearn.metrics import r2_score, mean_squared_error, make_scorer
from sklearn.model_selection import train_test_split
from math import sqrt
from sklearn.cross_validation import train_test_split


df = pd.concat(map(pd.read_csv, glob.glob(os.path.join('', "cubic*.csv"))), ignore_index=True)
#df = pd.read_csv('cubic31.csv')

for i in range(1,3):
    df['X_t'+str(i)] = df['X'].shift(i)

print(df)

df.dropna(inplace=True)

X = (pd.DataFrame({ 'X_%d'%i : df['X'].shift(i) for i in range(3)}).apply(np.nan_to_num, axis=0).values)

X = df.drop('Y', axis=1)
y = df['Y']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.40)

X_train = X_train.drop('time', axis=1)
X_test = X_test.drop('time', axis=1)

#Fit models with some grid search CV=5 (not to low), use the best model
parameters = {'n_estimators': [10,30,100,500,1000]}
clf_rf = RandomForestRegressor(random_state=1)
clf = GridSearchCV(clf_rf, parameters, cv=5, scoring='neg_mean_squared_error')
model = clf.fit(X_train, y_train)
model.cv_results_['params'][model.best_index_]
math.sqrt(model.best_score_*-1)
model.grid_scores_

#####
print()
print(model.grid_scores_)

print(math.sqrt(model.best_score_*-1))

#reg = RandomForestRegressor(criterion='mse')
clf_rf.fit(X_train,y_train)
modelPrediction = clf_rf.predict(X_test)
print(modelPrediction)

print("Number of predictions:",len(modelPrediction))

meanSquaredError=mean_squared_error(y_test, modelPrediction)
print("Mean Square Error (MSE):", meanSquaredError)
rootMeanSquaredError = sqrt(meanSquaredError)
print("Root-Mean-Square Error (RMSE):", rootMeanSquaredError)


####### to add the trendline
fig, ax = plt.subplots()
#df.plot(x='time', y='Y', ax=ax)
ax.plot(df['time'].values, df['Y'].values)


fig, ax = plt.subplots()
index_values=range(0,len(y_test))

y_test.sort_index(inplace=True)
X_test.sort_index(inplace=True)

modelPred_test = clf_rf.predict(X_test)
ax.plot(pd.Series(index_values), y_test.values)


PlotInOne=pd.DataFrame(pd.concat([pd.Series(modelPred_test), pd.Series(y_test.values)], axis=1))

plt.figure(); PlotInOne.plot(); plt.legend(loc='best')