R中向量化和并行化的一般问题

我是R新手，但我想理解并在Rstudio中使用TensorFlow生成快速代码。 我理解并行化的概念，但我在理解这些概念之间的差异时遇到了一些问题：并行化、向量化和时态化（对不起我的英语）。 我想要一些简单的例子来理解这些差异。

---

我可以同时应用所有这些概念吗

这里是我关于R中并行化和矢量化的两分钱。我不会讨论TensorFlow，因为我没有太多TensorFlow的经验。然而，有微分几何的背景，我最好的猜测是，这意味着使用张量，即高维（数据）结构来解决某些问题

并行化 并行化的基本思想是同时运行任务。通常情况下，特别是在R中实现时，这个概念是通过多处理来处理的：通常这会将任务分配给计算机的CPU（或者线程看到多线程或检查这一点）。此外，并行化可以被视为解决并发问题的一种方法：后者还有其他实现，比如异步编程

并行化（以及并发性）的典型示例如下：假设您有一个URL列表

url1、url2、…

，并且需要向每个URL发送GET请求（并等待响应）。经典的（同步）方法是迭代所有URL，发出GET请求，等待响应，然后（并且只有在那时）继续下一个URL

# Dummy example list
urls <- rep('http://example.com', 7)
# Fetching the data
results <- rep(list(NA), length(urls))
for (k in seq_along(urls))
  results[[k]] <- httr::GET(urls[k])

这里的底线是，矢量化在R中的每个角落（大部分）都有，在我看来，这是R优雅的本质和最漂亮的特性（自定义操作符也很整洁）。例如，可以使用一个内衬创建sin：

f <- function(x, n = 10) sum((-1)^(0:n) * x^(2*(0:n) + 1) / factorial((2*(0:n) + 1)))
f(0)
# 0
f(pi)
# 1.034819e-11

---

f这里是我对R中的并行化和向量化的两分钱。我不会讨论TensorFlow，因为我对TensorFlow没有太多经验。然而，有微分几何的背景，我最好的猜测是，这意味着使用张量，即高维（数据）结构来解决某些问题

并行化
并行化的基本思想是同时运行任务。通常情况下，特别是在R中实现时，这个概念是通过多处理来处理的：通常这会将任务分配给计算机的CPU（或者线程看到多线程或检查这一点）。此外，并行化可以被视为解决并发问题的一种方法：后者还有其他实现，比如异步编程

并行化（以及并发性）的典型示例如下：假设您有一个URL列表
url1、url2、…
，并且需要向每个URL发送GET请求（并等待响应）。经典的（同步）方法是迭代所有URL，发出GET请求，等待响应，然后（并且只有在那时）继续下一个URL

# Dummy example list
urls <- rep('http://example.com', 7)
# Fetching the data
results <- rep(list(NA), length(urls))
for (k in seq_along(urls))
  results[[k]] <- httr::GET(urls[k])

这里的底线是，矢量化在R中的每个角落（大部分）都有，在我看来，这是R优雅的本质和最漂亮的特性（自定义操作符也很整洁）。例如，可以使用一个内衬创建sin：

f <- function(x, n = 10) sum((-1)^(0:n) * x^(2*(0:n) + 1) / factorial((2*(0:n) + 1)))
f(0)
# 0
f(pi)
# 1.034819e-11

f矢量化：
vec矢量化：
vec谢谢，这是一个很棒的答案。现在我得到了这两个概念：矢量化和并行化。但我还是不明白张紧的目的。谢谢你，这是一个很棒的答案。现在我得到了这两个概念：矢量化和并行化。但我还是不明白张拉的目的。