多核t-SNE 这是L. Van der Maaten用python和基于Torch CFFI的包装器对进行的多核修改。 此代码还比1核上的sklearn.TSNE更快。 期待什么 Barnes-Hut t-SNE分两步完成。 第一步：建立用于最近邻居搜索的有效数据结构，并将其用于计算概率。 可以针对数据集中的每个点并行完成此操作，这就是为什么我们可以期望通过使用更多核来实现良好的加速。 第二步：使用梯度下降优化嵌入。 这部分基本上是连续的，因此我们只能在迭代内进行优化。 实际上，某些部分