我正在尝试决定是否应该使用多处理或线程，并且我学到了一些关于Global Interpreter Lock 的有趣信息。在这个不错的blog post 中，多线程似乎不适合繁忙的任务。但是，我也了解到某些功能，例如 I/O 或 numpy，不受 GIL 的影响。
谁能解释为什么，以及我如何确定我的（可能是相当 numpy-heavy）代码是否适合多线程？
【问题讨论】：
标签： python multithreading numpy multiprocessing gil
许多 numpy 计算不受 GIL 影响，但不是全部。
在不需要 Python 解释器的代码（例如 C 库）中，可以专门释放 GIL - 允许依赖于解释器的其他代码继续运行。在 Numpy C 代码库中，宏 NPY_BEGIN_THREADS 和 NPY_END_THREADS 用于分隔允许 GIL 发布的代码块。你可以在this search of the numpy source看到这些。
NumPy C API documentation 有更多关于线程支持的信息。请注意附加的宏 NPY_BEGIN_THREADS_DESCR、NPY_END_THREADS_DESCR 和 NPY_BEGIN_THREADS_THRESHOLDED，它们处理条件 GIL 释放，取决于数组 dtypes 和循环的大小。
大多数核心函数都会发布 GIL - 例如 Universal Functions (ufunc) 这样做 as described：
只要不涉及对象数组，Python 全局解释器锁 (GIL) 就会在调用循环之前释放。必要时重新获取它以处理错误情况。
关于您自己的代码，source code for NumPy is available。检查您为上述宏使用的函数（以及它们调用的函数）。另请注意，性能优势在很大程度上取决于多长时间 GIL 发布 - 如果您的代码不断地加入/退出 Python，您将不会看到太大的改进。
另一种选择是测试它。但是，请记住，使用条件 GIL 宏的函数可能会针对小型和大型数组表现出不同的行为。因此，使用小数据集的测试可能无法准确表示大型任务的性能。
有一些关于使用 numpy 进行并行处理的额外信息on the official wiki 和一篇关于 Python GIL 的有用帖子over on Programmers.SE。
【讨论】：