我知道大多数numpy操作都会释放GIL。因此，当使用python的多线程时，大多数操作都可以获得预期的速度提升。但我发现奇怪的是，numpy.linalg.inv的情况并非如此。

实验

我尝试了以下方法

import numpy as np
import time
from concurrent.futures import ThreadPoolExecutor

def numpy_op(arr):
    # do matrix inversion here
    return np.linalg.inv(arr)

num_workers = 8
np.random.seed(42)
args = [np.random.randn(10000, 10000) for _ in range(num_workers)]

# parallelize with thread pool
s_time = time.time()
with ThreadPoolExecutor(max_workers=num_workers) as executor:
    res = list(executor.map(numpy_op, args))

# sequential code
res = []
for arg in args:
    res.append(numpy_op(arg))
print(f'time consumed: {time.time()-s_time:.2f}s')

字符串
结果

• 多线程：36.44秒
• 连续：28.14s

然而，如果我做一些除了矩阵求逆之外的其他numpy操作，例如

def numpy_op(arr):
    # some random numpy operations here
    return (arr**2 + 2) ** 0.5

型
通过这些操作，结果是

• 多线程：0.62s
• 连续：3.71秒

版本

我正在使用Python 3.9.10和numpy 1.24.3