SciPy 中的并行执行支持

SciPy 旨在提供高性能的功能，即具有良好的执行速度。在现代计算硬件上，CPU 通常具有许多 CPU 核心 - 因此用户可以通过并行执行受益。本页旨在简要概述可用的并行执行选项。

与并行性相关的关键点

• SciPy 本身默认采用单线程执行。

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

  • 用户可以通过 threadpoolctl 来控制 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。这通过单个 API 中的 workers= 关键字公开，该关键字接受用于线程或进程数量的整数，并且在某些情况下还接受类似映射的可调用对象（例如，multiprocessing.Pool）。请参阅 scipy.fft.fft 和 scipy.optimize.differential_evolution 以获取示例。

  • SciPy 内部线程使用操作系统级别的线程池。SciPy 内部不使用 OpenMP。

• SciPy 与 multiprocessing 和 threading 良好地协同工作。前者比后者具有更高的开销，但被广泛使用且稳健。后者对于某些使用场景可能提供性能优势 - 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 具有实验性支持。

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