JupyterLab计时异常：wall time仅为CPU时间一半的原因咨询

你提到最近代码运行时出现了稳定的2倍加速，比如：

CPU times: total: 6min 4s Wall time: 3min 18s

这种wall time是CPU时间一半的情况，核心原因不是JupyterLab内置了多进程，而是NumPy和SciPy依赖的底层线性代数库（比如OpenBLAS、MKL）默认启用了多线程并行运算。

关键概念区分 #

CPU times: total 是所有CPU核心累计的运行时间，而wall time是实际流逝的时间。当你的代码用2个核心并行执行时，CPU总时间就会是wall time的2倍，完全匹配你看到的稳定2倍加速效果。

底层库的自动并行机制 #

NumPy的矩阵乘法、SciPy优化算法中涉及的密集运算，都不会自己实现并行逻辑，而是调用系统中的BLAS（基础线性代数子程序）或LAPACK库。这些库（比如OpenBLAS、Intel MKL、Apple Accelerate）默认会根据你的CPU核心数自动启用多线程，利用多个核心同时计算——你的笔记本有至少2个可用核心，所以出现了刚好2倍的加速。

为什么两周前才出现？ #

可能的触发原因包括：

• 两周前更新了NumPy/SciPy版本，新版本默认链接了多线程BLAS库
• 系统环境变量被修改（比如OMP_NUM_THREADS、OPENBLAS_NUM_THREADS这类控制线程数的变量），从之前的单线程设置改成了多线程
• 系统更新了底层的BLAS/LAPACK库，开启了默认多线程

验证与控制方法 #

1. 验证多线程是否为原因：
   在代码单元格开头添加环境变量设置，强制单线程运行：

   %env OMP_NUM_THREADS=1
   %env OPENBLAS_NUM_THREADS=1
   

   然后重新运行计时代码，如果此时wall time和CPU time基本一致，就可以确认是多线程导致的加速。

2. 查看当前BLAS配置：
   运行以下代码可以查看NumPy依赖的底层库及线程设置：

   import numpy as np
   print(np.__config__.show())
   

   输出中会显示使用的BLAS库（比如OpenBLAS）及其默认线程数。

3. 手动控制线程数：

   • 临时设置：在Jupyter单元格开头用%env命令设置对应环境变量（如%env OPENBLAS_NUM_THREADS=4来指定4个线程）
   • 全局设置：在导入NumPy/SciPy之前，通过os模块设置环境变量：

     import os
     os.environ['OPENBLAS_NUM_THREADS'] = '2'  # 按需设置线程数
     import numpy as np
     import scipy as sp
     

内容的提问来源于stack exchange，提问作者chrysaor4