如下 请问机器学习PAI的这些问题怎么解决？

parallelism是线程数，训练的Op一般没有numThreads
parallelism是并发度，numThreads是每个mapper里的并发—此回答来自钉群“Alink开源--用户群”

首先，让我们澄清一下几个概念。

• 并行度：并行度是指在一个分布式系统中有多少任务同时运行的节点数量。在 Flink 中，可以设置 job 的并行度来控制 task 数量。如果并行度设为 N，则意味着最多会有 N 个子任务在不同的 slot 中运行。通常来说，增加并行度可以提高 job 执行速度，但也可能导致更多资源消耗和通信开销。
• 线程：线程是一种操作系统级别的并发机制，允许在同一进程中执行多个并发的任务。在线程中，每个任务都可以独立地使用 CPU 时间片进行计算。在 Java 中，可以通过多线程编程来实现并发执行任务。

针对问题一，如果您在代码中指定了批处理组件的并行数量为 8，而没有修改 OneHotTrainBatchOp 实例的 numThreads 参数，则默认情况下 OneHotTrainBatchOp 实例内部会启动 1 个工作线程进行计算。这是因为 numThreads 参数默认值为 1。在这种情况下，尽管 job 的并行度为 8，但由于 numThreads 参数限制，实际上只有 1 个工作线程进行计算。
针对问题二，StandardScalerPredictBatchOp 是用于进行特征缩放预测的批处理算子。在这个场景下，建议您将 numThreads 参数设置为 job 的并行度，这样可以在不同的 slot 中并行地执行预测任务，从而充分利用集群资源并提高性能。不过，需要注意的是，随着 numThreads 参数增大，可能会带来更多的通信开销，因此需要权衡两者之间的利弊。