为何Numpy执行数组创建与运算时未使用多线程？

核心原因：逐元素运算与矩阵乘法的优化差异 #

你代码里的a*b是逐元素乘法，和矩阵乘法（a@b或np.dot(a,b)）属于完全不同的操作类型：

• BLAS库（如OpenBLAS、MKL）的多线程优化主要针对矩阵乘法、矩阵分解这类计算密集型线性代数操作，这类操作能充分利用多核心的计算能力；而逐元素运算属于内存绑定型操作——运算逻辑简单，性能瓶颈在于内存读写速度，多线程并行反而可能因线程间内存竞争、缓存一致性开销导致性能下降，因此Numpy默认不对这类操作启用多线程。
• 如果你把代码改成矩阵乘法c = a@b，只要你的Numpy绑定了支持多线程的BLAS库，就能看到多核心负载。

检查你的Numpy底层依赖库 #

在Fedora 36上，你可以通过以下代码查看Numpy绑定的线性代数库：

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

输出结果会显示是否绑定了OpenBLAS、MKL或其他BLAS实现。如果是OpenBLAS，默认已对矩阵乘法启用多线程；如果是单线程版本的BLAS，矩阵乘法也会仅用单核心。

手动拆分数组异步出错的原因 #

你手动拆分数组异步运算结果错误，大概率是这两个问题：

• 数组拆分时索引处理错误，比如维度划分不当、出现越界；
• 异步操作（如threading模块）未正确同步，多个线程同时写入同一个输出数组，引发内存竞争破坏数据完整性。
  如果要手动并行逐元素运算，建议用multiprocessing进程池（规避GIL限制），给每个进程分配独立的输出切片，最后再合并结果。

加速逐元素运算的可行方法 #

如果确实需要提升逐元素运算的并行效率，可以尝试这些方案：

• 使用Numba：通过JIT编译自动并行化逐元素操作，示例代码：

  from numba import njit, prange
  import numpy as np
  
  @njit(parallel=True)
  def elementwise_mult(a, b):
      res = np.empty_like(a)
      for i in prange(a.shape[0]):
          res[i] = a[i] * b[i]
      return res
  
  a = np.random.randn(10000, 10000)
  b = np.random.randn(10000, 10000)
  c = elementwise_mult(a, b)
  

• 启用OpenMP并行：部分Numpy编译时会用OpenMP优化部分逐元素操作，你可以尝试设置环境变量OMP_NUM_THREADS=<你的核心数>后再运行代码，观察核心负载变化。

内容的提问来源于stack exchange，提问作者Gabriel Franceschi Libardi