python - 在 for 循环中并行执行模型预测

Question

我想在 for 循环中多次对我的输入运行 keras 模型的预测。有没有办法并行化这个 for 循环，因为循环的每次迭代都是相互独立的？我只想将每次迭代的预测存储在 mc_predictions 数组中。

mc_predictions = []
for i in range(100):
    y_p = model.predict(x)
    mc_predictions.append(y_p)        

我在模型中使用了 dropout 层，并将训练属性设置为 True。因此，每次我都会得到不同的结果，因为不同的神经元在每次迭代中都会被停用。我在这里使用蒙特卡洛估计。

Answer 1

Q : "Is there a way to parallelize this for loop as each iteration of the loop is independent of the other?"

好吧，如果不深入了解实际的模型 - 实例就不会。

_{The model-instance could easily be a state-full-system and changing some part of its internal state by each call to the .predict()-method ... so one cannot be sure a-priori, without re-inspecting the model's implementation, could one?
– user3666197 6 min ago}

如预告片所示was添加“...不同的神经元将在每次迭代中停用。”情况已经改变。

没有办法让定义的纯-[SERIAL]过程“发生”成为True-[PARALLEL] 。

Q.E.D.

---

_{But is this really a pure serial process? I mean, each iteration is independent. What neurons get deactivated in an iteration does not matter as long as random neurons are getting deactivated.
– Crazzay1903 4 hours ago}

在最有可能的情况下是，这是一个纯粹的[SERIAL]过程(除非以某种方式并被彻底证明不是 - 但是，那么它也会陷入无法保持可重复和重新验证准备的科学的陷阱(有人可能会认为它可以合法地成为一种主要是非确定性的随机过程 - 公平，好的 - 然而，即使如此，证明已经实现了如此鲁棒的非确定性随机过程，以便能够证明它不会失去任何最终的随机性质量属性在某些 True-[PARALLEL] 流程实现下(如果经过尝试并证明是这样的话)，但是 .预测() - 方法必须而且不能，否则，比任何严格的、定量支持的公平科学方法更像是一种洞察力，不是吗？)这不是一个目标，不是吗？) .

Q.E.D.