为什么 numpy 计算不受全局解释器锁的影响？
Why are numpy calculations not affected by the global interpreter lock?
我正在决定是应该使用多处理还是多线程，并且我了解了一些关于 Global Interpreter Lock. In this nice blog post 的有趣信息，看来多线程不适合繁忙的任务。但是，我还了解到某些功能，例如 I/O 或 numpy，不受 GIL 的影响。
任何人都可以解释为什么，以及如何确定我的（可能相当笨重的）代码是否适合多线程？
许多 numpy计算不受GIL影响，但不是全部。
虽然在不需要 Python 解释器的代码中（例如 C 库），可以专门释放 GIL - 允许依赖于解释器的其他代码继续 运行。在 Numpy C 代码库中，宏 NPY_BEGIN_THREADS 和 NPY_END_THREADS 用于分隔允许 GIL 释放的代码块。您可以在 this search of the numpy source.
中看到这些
NumPy C API documentation 有更多关于线程支持的信息。请注意额外的宏 NPY_BEGIN_THREADS_DESCR、NPY_END_THREADS_DESCR 和 NPY_BEGIN_THREADS_THRESHOLDED，它们处理有条件的 GIL 释放，具体取决于数组 dtypes 和循环的大小。
大多数核心功能都发布了 GIL - 例如 Universal Functions (ufunc) do so as described:
as long as no object arrays are involved, the Python Global Interpreter Lock (GIL) is released prior to calling the loops. It is re-acquired if necessary to handle error conditions.
关于你自己的代码，source code for NumPy is available。检查您为上述宏使用的函数（以及它们调用的函数）。另请注意，性能优势在很大程度上取决于 GIL 发布多长时间 - 如果您的代码不断下降 in/out of Python，您将看不到太多的改进。
另一种选择是测试它。但是，请记住，使用条件 GIL 宏的函数可能会对小型和大型数组表现出不同的行为。因此，使用小型数据集进行的测试可能无法准确表示大型任务的性能。
有一些关于使用 numpy 进行并行处理的附加信息 on the official wiki and a useful post about the Python GIL in general over on Programmers.SE。
我正在决定是应该使用多处理还是多线程，并且我了解了一些关于 Global Interpreter Lock. In this nice blog post 的有趣信息，看来多线程不适合繁忙的任务。但是，我还了解到某些功能，例如 I/O 或 numpy，不受 GIL 的影响。
任何人都可以解释为什么，以及如何确定我的（可能相当笨重的）代码是否适合多线程？
许多 numpy计算不受GIL影响，但不是全部。
虽然在不需要 Python 解释器的代码中（例如 C 库），可以专门释放 GIL - 允许依赖于解释器的其他代码继续 运行。在 Numpy C 代码库中，宏 NPY_BEGIN_THREADS 和 NPY_END_THREADS 用于分隔允许 GIL 释放的代码块。您可以在 this search of the numpy source.
NumPy C API documentation 有更多关于线程支持的信息。请注意额外的宏 NPY_BEGIN_THREADS_DESCR、NPY_END_THREADS_DESCR 和 NPY_BEGIN_THREADS_THRESHOLDED，它们处理有条件的 GIL 释放，具体取决于数组 dtypes 和循环的大小。
大多数核心功能都发布了 GIL - 例如 Universal Functions (ufunc) do so as described:
as long as no object arrays are involved, the Python Global Interpreter Lock (GIL) is released prior to calling the loops. It is re-acquired if necessary to handle error conditions.
关于你自己的代码，source code for NumPy is available。检查您为上述宏使用的函数（以及它们调用的函数）。另请注意，性能优势在很大程度上取决于 GIL 发布多长时间 - 如果您的代码不断下降 in/out of Python，您将看不到太多的改进。
另一种选择是测试它。但是，请记住，使用条件 GIL 宏的函数可能会对小型和大型数组表现出不同的行为。因此，使用小型数据集进行的测试可能无法准确表示大型任务的性能。
有一些关于使用 numpy 进行并行处理的附加信息 on the official wiki and a useful post about the Python GIL in general over on Programmers.SE。