scikit-learn-intelex 快速上手指南

scikit-learn-intelex 是一个免费的 AI 加速扩展工具，旨在无需修改代码即可将现有的 scikit-learn 应用速度提升 10-100 倍。它通过利用 CPU 向量指令、内存优化及多线程技术（以及可选的 GPU 加速）来实现性能飞跃，同时完全保持与开源 scikit-learn API 的兼容性。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, Windows, 或 macOS。
• Python 版本：支持 Python 3.10, 3.11, 3.12, 3.13, 3.14。
• scikit-learn 版本：支持 1.0, 1.5, 1.6, 1.7, 1.8 等版本。
• 前置依赖：需已安装 numpy 和 scikit-learn。
• GPU 加速额外要求（可选）：
  • 若需启用 GPU 加速，需安装 Intel oneAPI DPC++ 编译器及相关驱动。
  • 详见 Intel oneAPI 系统要求。

安装步骤

推荐使用 pip 进行安装。国内开发者可使用清华或阿里镜像源以加快下载速度。

方式一：使用 pip 安装（推荐）

# 使用默认源
pip install scikit-learn-intelex

# 或使用国内镜像源（推荐）
pip install scikit-learn-intelex -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 Conda 安装

如果您使用 Anaconda 或 Miniconda：

conda install -c conda-forge scikit-learn-intelex

基本使用

该工具提供两种主要使用模式：全局补丁模式（推荐，无需改代码逻辑）和直接导入模式。

模式一：全局补丁模式（最简单）

只需两行代码即可加速整个脚本中所有的 scikit-learn 调用。

1. CPU 加速示例

import numpy as np
from sklearnex import patch_sklearn

# 启用加速补丁
patch_sklearn()

# 后续导入的 sklearn 模块将自动使用加速版本
from sklearn.cluster import DBSCAN

X = np.array([[1., 2.], [2., 2.], [2., 3.],
              [8., 7.], [8., 8.], [25., 80.]], dtype=np.float32)

# 无需修改任何参数，自动加速
clustering = DBSCAN(eps=3, min_samples=2).fit(X)
print(clustering.labels_)

2. GPU 加速示例

若需指定在 GPU 上运行，可结合 config_context 使用：

import numpy as np
from sklearnex import patch_sklearn, config_context

# 启用加速补丁
patch_sklearn()

from sklearn.cluster import DBSCAN

X = np.array([[1., 2.], [2., 2.], [2., 3.],
              [8., 7.], [8., 8.], [25., 80.]], dtype=np.float32)

# 指定目标设备为 GPU
with config_context(target_offload="gpu:0"):
    clustering = DBSCAN(eps=3, min_samples=2).fit(X)
    print(clustering.labels_)

模式二：直接导入模式（不补丁）

如果您不希望影响全局环境，可以直接从 sklearnex 子模块导入特定的加速算法类。

1. CPU 加速

import numpy as np
# 直接从 sklearnex 导入加速版的 DBSCAN
from sklearnex.cluster import DBSCAN

X = np.array([[1., 2.], [2., 2.], [2., 3.],
              [8., 7.], [8., 8.], [25., 80.]], dtype=np.float32)

clustering = DBSCAN(eps=3, min_samples=2).fit(X)

2. GPU 加速

import numpy as np
from sklearnex import config_context
from sklearnex.cluster import DBSCAN

X = np.array([[1., 2.], [2., 2.], [2., 3.],
              [8., 7.], [8., 8.], [25., 80.]], dtype=np.float32)

with config_context(target_offload="gpu:0"):
    clustering = DBSCAN(eps=3, min_samples=2).fit(X)

提示：更多支持的算法列表及高级用法（如多节点分布式训练），请参阅官方 文档 和 示例 notebooks。