线程安全

NumPy 通过标准库中的 threading 模块支持在多线程上下文中使用.许多 NumPy 操作释放了 GIL,因此与 Python 中的许多情况不同,可以通过利用 Python 中的多线程并行性来提高并行性能.

当每个工作线程拥有自己的数组或一组数组对象,并且线程之间没有直接共享数据时,最容易获得性能提升.因为 NumPy 为许多底层操作释放了 GIL,所以在底层代码中花费大部分时间的线程将并行运行.

可以在线程之间共享 NumPy 数组,但是必须非常小心,以避免在改变多个线程之间共享的数组时产生线程安全问题.如果两个线程同时读取和写入同一个数组,它们最多会产生不一致的,竞争性的结果,这些结果是不可重现的,更不用说正确的了.例如,在另一个线程正在从中读取数据以计算 ufunc 操作时调整数组大小,也可能会导致 Python 解释器崩溃.

将来,我们可能会向 ndarray 添加锁,以使使用 NumPy 数组编写多线程算法更安全,但目前我们建议专注于线程之间共享的数组的只读访问,或者如果你需要突变和多线程,则添加你自己的锁定.

请注意,不释放 GIL 的操作不会从使用 threading 模块中获得任何性能提升,相反,使用 multiprocessing 可能会更好.特别地,对具有 dtype=object 的数组的操作不会释放 GIL.

自由线程 Python

在 2.1 版本加入.

从 NumPy 2.1 和 CPython 3.13 开始,NumPy 也对禁用 GIL 的 Python 运行时环境提供了实验性支持.请访问 https://py-free-threading.github.io 了解有关安装和使用自由线程 Python 的更多信息,以及关于在依赖 NumPy 的库中支持它的信息.

由于自由线程 Python 没有全局解释器锁来序列化对 Python 对象的访问,因此线程有更多机会改变共享状态并产生线程安全问题.除了上面提到的关于 ndarray 对象锁定的限制之外,这也意味着 dtype=object 的数组不受 GIL 保护,从而为在自由线程 python 之外不可能存在的 python 对象创建数据竞争.