群集和核心之间有什么区别 registerDoParallel 什么时候使用doParallel包？
我的理解是正确的，在单机上这些是可以互换的，我会得到相同的结果：
cl <- makeCluster(4)
registerDoParallel(cl)
和
registerDoParallel(cores = 4)
我看到的唯一区别 makeCluster() 必须明确停止使用 stopCluster()。
群集和核心之间有什么区别 registerDoParallel 什么时候使用doParallel包？
我的理解是正确的，在单机上这些是可以互换的，我会得到相同的结果：
cl <- makeCluster(4)
registerDoParallel(cl)
和
registerDoParallel(cores = 4)
我看到的唯一区别 makeCluster() 必须明确停止使用 stopCluster()。
是的，从软件视图来看是正确的。
在单机上这些是可以互换的，我会得到相同的结果。
为了清楚地理解“集群”和“核心”，我建议从“硬件”和“软件”层面进行思考。
在硬件级别，“集群”意味着网络连接的机器可以通过诸如插座之类的通信一起工作（需要更多的初始化/停止操作 stopCluster 你指出）。虽然“核心”意味着本地CPU中有多个硬件核心，但它们通常由共享内存协同工作（不需要从A到B明确发送消息）。
在软件层面，有时是边界 cluster 和 cores 不是那么清楚。该程序可以通过核心本地运行，也可以通过集群远程运行，高级软件不需要知道详细信息。因此，我们可以混合两种模式，例如在本地使用显式通信作为设置 cl 在一台机器上，
并且还可以在每个远程机器中运行多核。
回到你的问题，正在设置 cl 要么 cores 等于？
从软件中，程序将由相同数量的客户端/服务器运行，然后获得相同的结果。
从硬件上看，可能会有所不同。 cl 意味着明确地和 cores 共享内存，但如果高级软件优化得很好。在本地机器中，两个设置都将进入相同的流程。我不介意 doParallel 现在很深，所以我不太确定这两个是否相同。
但在实践中，最好指定 cores 对于单机和 cl 对于集群。
希望对您有所帮助。
的行为 doParallel::registerDoParallel(<numeric>) 取决于操作系统，请参阅 print(doParallel::registerDoParallel) 详情。
在Windows机器上，
doParallel::registerDoParallel(4)
有效地做
cl <- makeCluster(4)
doParallel::registerDoParallel(cl)
即它设置了四个（“PSOCK”）工作者在后台R会话中运行。然后， %dopar% 将基本上利用 parallel::parLapply() 机械。使用此设置，您必须担心全局变量和程序包附加在每个工作程序上。
但是，在非Windows机器上，
doParallel::registerDoParallel(4)
结果就是那样 %dopar% 将利用 parallel::mclapply() 机器，反过来依赖 岔 流程。由于使用了分叉，因此您不必担心全局变量和包。
我认为所选择的答案过于笼统，实际上并不准确，因为它没有触及细节 doParallel 包装本身。如果您阅读了小插曲，它实际上非常清楚。
并行包基本上是多核的合并 包装，由Simon Urbanek编写，以及雪包， 这是卢克蒂尔尼和其他人写的。多核 功能仅支持多个工作者 支持fork系统调用的系统;这不包括Windows。通过 默认情况下，doParallel在类Unix系统上使用多核功能 和Windows上的雪功能。
我们将在这个小插图中使用类似雪的功能，所以我们开始 加载包并启动集群
要使用类似多核的功能，我们会指定数量 要使用的核心
总之，这取决于系统。集群是覆盖所有平台的更通用模式，核心仅适用于类Unix系统。
为了使接口一致，包对这两种模式使用相同的功能。
> library(doParallel)
> cl <- makeCluster(4)
> registerDoParallel(cl)
> getDoParName()
[1] "doParallelSNOW"
> registerDoParallel(cores=4)
> getDoParName()
[1] "doParallelMC"