如何判断Numpy是否使用线程及利用系统可用核心？

这问题太接地气了！毕竟MATLAB自动多线程的体验太直观，换成Numpy总忍不住想确认下——到底有没有用上我机器的多核？下面分静态查询和运行时检测两类方法给你梳理：

一、静态查询：提前看配置，不用跑计算 #

这类方法能帮你先搞清楚Numpy的底层依赖库是否支持多线程，以及当前的线程配置：

• 查看Numpy的依赖配置
  直接在Python里运行import numpy as np; np.show_config()，输出里重点关注BLAS和LAPACK的后端信息。比如如果看到mkl（Intel MKL）、openblas或者atlas这些，说明底层用的是支持多线程的计算库——Numpy本身不搞多线程，但这些后端库会自动帮你利用多核。
  举个例子，如果输出里有blas_mkl_info，那就是用了MKL，默认是开启多线程的；如果是openblas_info，OpenBLAS也默认支持多线程，只是线程数可能受环境变量控制。

• 检查控制线程数的环境变量
  不同的后端库对应不同的环境变量，你可以直接打印这些变量的值来确认当前配置：

  import os
  # 针对MKL
  print(os.environ.get('MKL_NUM_THREADS'))
  # 针对OpenBLAS
  print(os.environ.get('OPENBLAS_NUM_THREADS'))
  # 通用的OpenMP变量（部分后端用这个）
  print(os.environ.get('OMP_NUM_THREADS'))
  

  如果这些变量有设置值，就代表线程数被明确指定了；如果是None，一般就是用默认值（通常等于你机器的核心数）。

二、运行时检测：跑起来看实际表现 #

光看配置不够，实际跑起来验证才最靠谱：

• 用系统监控工具看CPU使用率
  找个足够大的计算任务（比如大矩阵乘法：a = np.random.rand(10000, 10000); b = np.random.rand(10000, 10000); c = a @ b），然后打开系统监控：

  • Windows：任务管理器→详细信息，看Python进程的CPU使用率，如果超过100%（比如4核机器跑到300%-400%），那就肯定在多线程运行了。
  • Linux/macOS：用htop（Linux）或者活动监视器（macOS），同样看Python进程的CPU占用率，多核跑的时候会拉满多个核心。

• 用psutil库检测线程数变化
  安装psutil（pip install psutil）后，你可以在计算前后对比进程的线程数：

  import numpy as np
  import psutil
  import time
  
  p = psutil.Process()
  print(f"计算前线程数: {p.num_threads()}")
  
  # 跑个大计算
  a = np.random.rand(8000, 8000)
  b = np.random.rand(8000, 8000)
  c = a @ b
  
  time.sleep(1)  # 等计算结束
  print(f"计算后线程数: {p.num_threads()}")
  

  如果计算时线程数明显增加（比如从10左右涨到20+，取决于你的核心数），就说明后端库启动了多线程。

• 针对特定后端的直接查询
  如果你知道用的是MKL，还可以直接查当前线程数：

  from mkl_fft._numpy_fft import _get_n_threads
  print(f"MKL当前线程数: {_get_n_threads()}")
  

  要是用的OpenBLAS，可以试试：

  import ctypes
  openblas = ctypes.cdll.LoadLibrary("libopenblas.so")
  print(f"OpenBLAS当前线程数: {openblas.openblas_get_num_threads()}")
  

  （注意Windows下库文件名可能是libopenblas.dll，macOS可能是libopenblas.dylib）

额外说明 #

最后补一句：Numpy本身的纯Python代码确实受GIL限制，但核心的数值计算逻辑都是调用底层的C/C++计算库（就是前面说的BLAS/LAPACK后端），这些库不受GIL约束，所以多线程的能力其实来自这些后端，Numpy只是“借”用了它们的能力～

内容的提问来源于stack exchange，提问作者gesouth81