SciPy 中的平行執行支援

SciPy 的目標是提供高效能的功能，也就是具有良好的執行速度。在現代運算硬體上，CPU 通常具有許多核心 - 因此使用者可以從平行執行中受益。本頁旨在簡要概述可用於採用平行執行的選項。

關於平行處理的一些重點

• SciPy 本身預設為單執行緒執行。

• 單執行緒預設的例外是呼叫 BLAS 或 LAPACK 函式庫以進行線性代數功能（直接或透過 NumPy）的程式碼。BLAS/LAPACK 函式庫幾乎總是預設為多執行緒執行，通常使用所有可用的 CPU 核心。

  • 使用者可以透過 threadpoolctl 控制 SciPy 和 NumPy 連結的 BLAS/LAPACK 函式庫的執行緒行為。

• SciPy 功能可能會以選擇加入的方式提供平行執行。這透過個別 API 中的 workers= 關鍵字公開，該關鍵字接受一個整數，表示要使用的執行緒或程序數量，在某些情況下也接受類似 map 的可呼叫物件（例如，multiprocessing.Pool）。請參閱 scipy.fft.fft 和 scipy.optimize.differential_evolution 以取得範例。

  • SciPy 內部執行緒處理是使用作業系統層級的執行緒池完成的。SciPy 內部未使用 OpenMP。

• SciPy 與 multiprocessing 和 threading 搭配良好。前者比後者具有更高的 overhead，但被廣泛使用且穩健。後者可能會在某些使用情境中提供效能優勢 - 然而，請閱讀 SciPy 中的執行緒安全。

• 從 SciPy 1.15.0（和 Python 3.13.0、NumPy 2.1.0）開始，SciPy 對於自由執行緒 CPython 提供實驗性支援。

• SciPy 在越來越多的子模組和函數中，對於 NumPy 以外的陣列函式庫（例如 PyTorch、CuPy 和 JAX）提供實驗性支援。這些函式庫預設為平行執行，並可能提供顯著的效能優勢（和 GPU 執行）。有關更多詳細資訊，請參閱 陣列 API 標準的支援。