您必须查看 t-SNE 的这个多核实现。

我实际上尝试过它并且可以保证它的卓越性能。

查看基于 FFT 加速插值的 t-SNE（论文、代码和Python 包）。

从摘要：

我们提出了基于快速傅里叶变换加速插值的 t-SNE (FIt-SNE)，它极大地加速了 t-SNE 的计算。t-SNE 最耗时的步骤是卷积，我们通过插值到等间距网格上进行加速，然后使用快速傅里叶变换来执行卷积。我们还使用多线程近似最近邻优化了高维输入相似性的计算。

该论文还包括一个具有一百万个点和 100 个维度的数据集的示例（类似于 OP 的设置），它似乎需要大约 1 小时。

试试UMAP。

它比 t-SNE 快得多。

由于在 SO 中没有答案，我在 github 页面中问过自己，并且通过说明 GaelVaroquaux 的以下回复结束了该问题。

如果您只想并行化向量操作，那么您应该使用用 MKL 编译的 numpy 构建（不要尝试自己做，这很有挑战性）。

算法本身可能存在高级并行性的方法，这可能会带来更大的收益。但是，在快速查看代码之后，我没有看到任何明确的方法。

我将继续并关闭这个问题，因为它更像是一个蓝天白名单。我完全同意，我希望 TSNE 走得更快，如果并行性很容易，那就太好了。但是在目前的情况下，需要做更多的工作才能达到我们可以处理这样的愿望清单的状态。