SciPy 中的线程安全性

SciPy 支持通过标准库中的 threading 模块在多线程环境中使用。许多 SciPy 操作会释放全局解释器锁（GIL），NumPy 也是如此（且许多 SciPy 功能是以调用 NumPy 函数实现的）——因此与 Python 中的许多情况不同，通过利用 Python 中的多线程并行性，可以提高并行性能。

当每个工作线程拥有其自己的数组或数组对象集，且线程间没有直接共享数据时，最容易获得性能提升。大部分时间在底层代码中运行的线程通常会并行执行。

在线程间共享 NumPy 数组是可能的，但在修改在多个线程间共享的数组时，必须格外小心以避免产生线程安全问题——请参阅 NumPy 关于线程安全性的文档了解更多详情。除非函数明确记录其会这样做（这种情况很少见），否则 SciPy 函数不会修改用户传入的数组。因此，在同一个 NumPy 数组上以线程方式调用 SciPy 函数是安全的。

虽然 SciPy 大部分由函数组成，但在使用类和数据结构时需要更加小心。

具有状态的类，例如 scipy.integrate 和 scipy.interpolate 中的一些积分和插值对象，通常在并行调用时具有鲁棒性。它们要么接受并行调用，要么抛出提示性错误。例如，对于不支持并行执行的积分方法，scipy.integrate.ode 可能会抛出 IntegratorConcurrencyError。

scipy.spatial 提供的 KDTree 也是线程安全的，因为在创建后没有用于修改 KDTree 的接口。从多个线程同时查询 KDTree 是安全的。

SciPy 提供了一些数据结构，即 scipy.sparse 中的稀疏数组和矩阵，它们是可变（mutable）的。这些数据结构目前不是线程安全的。特别是在数据跨多个线程共享时，请避免进行修改数据结构的操作，例如在稀疏数组上使用项（item）或切片（slice）赋值。这可能会导致数据损坏、崩溃或其他不希望出现的行为。如果您必须支持这些对象的共享修改，请注意同步访问或确保不存在共享修改的可能性。有关处理 Python 中线程不安全对象的方法，请参阅 Python 自由线程指南中关于 写时复制（copy-on-write） 和 锁（locks） 的部分以获取更多指导。

请注意，不会释放 GIL 的操作在使用 threading 模块时不会获得性能提升，反而可能更适合使用 multiprocessing。然而，请参阅下文关于 SciPy 对自由线程构建支持的详细信息，该构建没有此限制。

自由线程 Python（Free-threaded Python）

版本 1.15.0 中新增。

从 SciPy 1.15.0 和 CPython 3.13 开始，SciPy 对在所有平台上禁用 GIL 的 Python 运行时提供了实验性支持。有关安装和使用自由线程 Python 的更多信息，请参阅 https://py-free-threading.github.io。

由于自由线程 Python 没有用于序列化 Python 对象访问的全局解释器锁（GIL），因此线程修改共享状态并产生线程安全问题的机会更多。所有 SciPy 功能都经过了并行线程使用的测试，但我们预计仍会有尚未发现的问题——如果您遇到问题，请检查 GitHub 上带有 free-threading 标签的问题，如果该异常函数尚未有相关 issue，请打开一个新的 issue。