这是我第一次尝试并发编程，我需要一点帮助来解决问题。

我正在尝试自行实现一个学习曲线功能，例如在sklearn.model_selection模块中找到的功能。我有两个循环，一个循环遍历要使用的样本数（本例中为[em，size_i 的分数[0,1]），另一个循环为每个循环重复 fit_and_score n_sample， j 次。

目标是使 fit_and_score 函数并行化，该函数将通过模型，n_samples，训练和测试集进行评分并调用评分器。我已经实现的方法（请参见下面的代码）运行良好，但是比以前的串行代码慢许多倍。我假设这是由于序列化传递给 fit_and_score 函数的所有参数而产生的开销。

由于这些参数不会在 j 迭代中发生变化，因此我认为必须可以将它们传递一次，从而减少序列化开销。但是，我找不到解决方法。

这是我的代码：

def lc_fit_and_score(size_i,model,X_train,y_train,X_test,y_test,scorer,strat):
    model_i = clone(model)
        if size_i == 1:
            #last iteration
            X_i,y_i = shuffle_in_unison_2d(X_train,y_train)
        else:
            X_i,_,y_i,_ = train_test_split(X_train,train_size=size_i,stratify=strat)
        model_i.fit(X_i,y_i.ravel())
        return scorer(model_i,X_i,y_i),scorer(model_i,y_test)

def learning_curve_mp(X_train,**kwargs):
    n_jobs = kwargs.pop('n_jobs',1)
    n_jobs = len(os.sched_getaffinity(0)) if n_jobs==-1 else n_jobs
    n = kwargs.pop('n',20)
    cv = kwargs.pop('cv',10)
    y_window = kwargs.pop('y_window',None)
    test_idx = kwargs.pop('test_idx',[]) 
    fname = kwargs.pop('fname',None)
    order = kwargs.pop('order',None)

    if kwargs:
        raise TypeError("Invalid parameters passed: {}".format(kwargs))

    strat = y_train if is_classifier(model) else np.array(y_train > 0,dtype=int)
    n_samples = []
    train_loss = np.zeros((n,cv))
    test_loss = np.zeros((n,cv))
    if n_jobs == 1:
        # serial version
        for i,size_i in enumerate(np.linspace(0,1,n+1)[1:]):
            for j in range(cv):
                train,test = lc_fit_and_score(size_i,strat)
                train_loss[i,j] = train
                test_loss[i,j] =  test
            n_samples.append(int(X_train.shape[0]*size_i))
    else:
        # parallel version
        for i,n+1)[1:]):
            pool = Pool(n_jobs,initializer=init_pool,initargs=(,))
            result_objects = [pool.apply_async(lc_fit_and_score,args=(size_i,strat)) for x in range(cv)]
            pool.close()
            pool.join()
            train_loss[i] = [x.get()[0] for x in result_objects]
            test_loss[i] = [x.get()[1] for x in result_objects]
            n_samples.append(int(X_train.shape[0]*size_i))

理想地，遍历样本数量的循环也可以并行化，但是我也不确定如何做到这一点。任何帮助表示赞赏！