Как ограничить количество процессоров, используемых скриптом Python без терминала или многопроцессорной библиотеки?

Моя главная проблема оформлена здесь. Поскольку никто еще не дал решения, я решил найти обходной путь. Я ищу способ ограничить использование процессора скриптами Python (не приоритет, но количество ядер процессора) с помощью кода Python. Я знаю, что могу сделать это с многопроцессорной библиотекой (пул и т.д.), Но я не тот, кто запускает ее с многопроцессорной обработкой. Итак, я не знаю, как это сделать. И также я мог бы сделать это через терминал, но этот скрипт импортируется другим скриптом. К сожалению, я не могу позволить себе звонить через терминал.

tl; dr: Как ограничить использование процессора (количество ядер) скрипта Python, который импортируется другим скриптом, и я даже не знаю, почему он работает параллельно, без запуска через терминал. (Пожалуйста, проверьте фрагмент кода ниже, и да, английский не мой родной язык)

Фрагмент кода, вызывающий проблему:

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)

transformer = IncrementalPCA(n_components=7, batch_size=200)

#PARTIAL FIT RUNS IN PARALLEL! GOD WHY?
---------------------------------------
transformer.partial_fit(X[:100, :])
---------------------------------------
X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)

Версии:

• Python 3.6
• Joblib 0.13.2
• scikit-learn 0.20.2
• numpy 1.16.2

ОБНОВЛЕНИЕ: не работает. Спасибо за разъяснения @Darkonaut. Печально то, что я уже знал, что это не сработает, и я уже четко указал название вопроса, но люди не читают, я думаю. Я думаю, я делаю это неправильно. Я обновил фрагмент кода на основе @Ben Chaliah Аюба ответ. Кажется, ничего не изменилось. И еще я хочу указать на кое-что: я не пытаюсь запустить этот код на нескольких ядрах. Эта строка transformer.partial_fit(X[:100, :]) n_jobs transformer.partial_fit(X[:100, :]) работает на нескольких ядрах (по некоторым причинам) и не имеет n_jobs или чего-либо еще. Также обратите внимание, что мой первый пример и мой оригинальный код не инициализированы с пулом или чем-то подобным. Я не могу установить количество ядер в первую очередь (потому что такого места нет). Но теперь есть место для этого, но он все еще работает на нескольких ядрах. Не стесняйтесь проверить это самостоятельно. (Код ниже) Вот почему я ищу обходной путь.

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import numpy as np
from multiprocessing import Pool, cpu_count
def run_this():
    X, _ = load_digits(return_X_y=True)
    #Copy-paste and increase the size of the dataset to see the behavior at htop.
    for _ in range(8):
        X = np.vstack((X, X))
    print(X.shape)
    #This is the exact same example taken from sckitlearn IncrementalPCA website.
    transformer = IncrementalPCA(n_components=7, batch_size=200)
    transformer.partial_fit(X[:100, :])
    X_transformed = transformer.fit_transform(X)
    print(X_transformed.shape)
pool= Pool(processes=1)
pool.apply(run_this)

ОБНОВЛЕНИЕ: Итак, я попытался установить потоки Blas, используя это в моем коде, прежде чем импортировать Numpy, но это не сработало (снова). Любые другие предложения? Последний этап кода можно найти ниже.

Кредиты: @Amir

from sklearn.datasets import load_digits
from sklearn.decomposition import IncrementalPCA
import os
os.environ["OMP_NUM_THREADS"] = "1" # export OMP_NUM_THREADS=1
os.environ["OPENBLAS_NUM_THREADS"] = "1" # export OPENBLAS_NUM_THREADS=1
os.environ["MKL_NUM_THREADS"] = "1" # export MKL_NUM_THREADS=1
os.environ["VECLIB_MAXIMUM_THREADS"] = "1" # export VECLIB_MAXIMUM_THREADS=1
os.environ["NUMEXPR_NUM_THREADS"] = "1" # export NUMEXPR_NUM_THREADS=1

import numpy as np

X, _ = load_digits(return_X_y=True)

#Copy-paste and increase the size of the dataset to see the behavior at htop.
for _ in range(8):
    X = np.vstack((X, X))

print(X.shape)
transformer = IncrementalPCA(n_components=7, batch_size=200)

transformer.partial_fit(X[:100, :])

X_transformed = transformer.fit_transform(X)

print(X_transformed.shape)