SciPy 中的并行执行支持

SciPy 的目标是提供高性能（即具有良好的执行速度）的功能。在现代计算硬件上，CPU 通常具有多个 CPU 核心，因此用户可能会受益于并行执行。此页面旨在简要概述可用于采用并行执行的选项。

与并行性相关的一些要点

• SciPy 本身默认为单线程执行。

• 该单线程默认的例外是调用 BLAS 或 LAPACK 库以进行线性代数功能（直接或通过 NumPy）的代码。BLAS/LAPACK 库几乎总是默认为多线程执行，通常使用所有可用的 CPU 核心。

  • 用户可以通过 threadpoolctl 控制 SciPy 和 NumPy 链接的 BLAS/LAPACK 库的线程行为。

• SciPy 功能可能会以选择加入的方式提供并行执行。这通过各个 API 中的 workers= 关键字公开，该关键字采用一个整数表示要使用的线程或进程数，在某些情况下还采用类似 map 的可调用对象（例如，multiprocessing.Pool）。有关示例，请参见 scipy.fft.fft 和 scipy.optimize.differential_evolution。

  • SciPy 内部的线程处理使用操作系统级别的线程池完成。SciPy 内部不使用 OpenMP。

• SciPy 与 multiprocessing 和 threading 配合良好。前者比后者的开销高，但被广泛使用且稳健。后者可能为某些使用场景提供性能优势，但是，请阅读 SciPy 中的线程安全。

• 从 SciPy 1.15.0（和 Python 3.13.0、NumPy 2.1.0）开始，SciPy 对自由线程 CPython 提供实验性支持。

• SciPy 在越来越多的子模块和函数中对 NumPy 之外的数组库（如 PyTorch、CuPy 和 JAX）提供实验性支持。这些库默认为并行执行，并且可能提供显著的性能优势（以及 GPU 执行）。有关更多详细信息，请参见 对数组 API 标准的支持。