OpenMP和Python
我有OpenMP共享内存机器（C和FORTRAN）的编码经验，以执行像matrix加法，乘法等简单的任务（只是看看它是如何与LAPACK竞争）。 我知道OpenMP足以执行简单的任务，而无需查看文档。
最近，我转移到Python为我的项目，我没有任何超过绝对的基本知识Python的经验。
我的问题是：
在Python中使用OpenMP 最简单的方法是什么？ 最简单的，我的意思是在程序员方面花费最less的时间（即使它是以增加系统时间为代价的）。
我使用OpenMP的原因是因为串行代码可以转换为一个有效的并行代码，并且散布着几个!$OMP 。 实现粗略平行所需的时间非常less。 有没有什么办法在Python中复制这个function？
从浏览SO，我可以find：
- C扩展
- StackLess Python
还有更多吗？ 哪个最符合我的问题？
由于GIL，在CPython中使用线程进行CPU密集型任务是没有意义的。 您需要多处理（ 例如 ）或使用在计算过程中释放GIL的C扩展，例如一些numpy函数， 例如 。
你可以很容易地编写在Cython中使用多个线程的C扩展， 例如 。
据我所知，没有Python的OpenMP包（我不知道如果有的话会怎么做）。 如果你想直接控制线程，你将不得不使用其中一个线程库。 然而，正如其他人指出的那样，GIL（全局解释器锁）在Python中进行了multithreading处理，性能有点…没有意义*。 GIL意味着一次只有一个线程可以访问解释器。
我会build议看看NumPy / SciPy。 NumPy允许您在单个操作的arrays和matrix上编写Matlab-esque代码。 它也有一些并行处理能力，请参见SciPy Wiki 。
其他地方开始寻找：
- 经验使CPU绑定任务更快
- 加速Python（NumPy，Cython和Weave）
*好的，这不是没有意义的，除非时间在Python代码之外被使用（比如通过popen或者类似的方式调用外部进程），除了方便之外，线程不会为你购买任何东西。
如果你想释放GIL并使用OpenMP的话你可以看看Cython。 它为一些常见的任务提供了简单的并行性。 您可以在Cython 文档中阅读更多内容 。
也许你的回答是在Cython：
“Cython通过cython.parallel模块支持本地并行性，要使用这种并行性，GIL必须被释放（参见释放GIL），它目前支持OpenMP，但后来可能会支持更多的后端。 Cython文档
用Cython
Cython具有OpenMP支持：使用Cython，可以使用prange （并行范围）运算符并将-fopenmp编译器指令添加到setup.py来添加OpenMP。
当在prange节中工作时，执行是并行执行的，因为我们通过使用with nogil:来禁用全局解释器锁（GIL） with nogil:指定GIL被禁用的块。
要编译_cython_np.pyx_，我们必须修改setup.py脚本，如下所示。 我们告诉它通知C编译器在编译过程中使用-fopenmp作为参数来启用OpenMP并与OpenMP库链接。 
用Cython的prange,我们可以select不同的调度方法。 使用静态，工作负载均匀分布在可用的CPU上。 然而，由于你的一些计算区域价格昂贵，而另外一些则很便宜，如果我们要求Cython在CPU上使用静态方法来平均地调度工作块，那么某些区域的结果将比其他地方的结果更快，然后这些线程将会闲置。 dynamic和引导计划选项都尝试通过在运行时dynamic分配较小块的工作来缓解此问题，以便在工作负载的计算时间可变时更均匀地分配CPU。 因此，对于您的代码，正确的select取决于您的工作负载的性质。
Numba
Numba的高级版本NumbaPro拥有与OpenMP一起使用的prange并行操作符的实验性支持。
Pythran
Pythran（用于Python子集的Python到C ++编译器）可以利用向量化可能性和基于OpenMP的并行化可能性，尽pipe它只使用Python 2.7运行。 您可以使用pragma omp指令来指定并行部分（非常类似于上述的Cython的OpenMP支持），例如：
PyPy
JIT Python编译器PyPy支持多处理模块（参见下文），并且有一个名为“PyPy-STM”的项目，这是一个特殊的PyPy开发版本，可以在同一进程中并行运行多个独立的CPU线程 。
附注：多处理
OpenMP是多核心的低级别接口。 你可能想看看multiprocessing. multiprocessing模块工作在更高层次，共享Python数据结构，而OpenMP与C原语对象（例如，整数和浮点数）一起编译到C之后。只有编译代码时才使用OpenMP ; 如果你不编译（例如，如果你正在使用高效的numpy代码，并且你想运行在许多内核上），那么坚持multiprocessing可能是正确的方法。
http://archive.euroscipy.org/talk/6857 “介绍了Cython的OpenMP能力，专注于NumPy数组上的并行循环，源代码示例演示了如何使用Python中的OpenMP，OpenMP并行algorithm的结果显示了什么是加速与其他并行化策略相比，实现了不同的数据大小。“
import numpy import cython from cython cimport parallel @cython.boundscheck(False) @cython.wraparound(False) def func(object[double, ndim=2] buf1 not None, object[double, ndim=2] buf2 not None, object[double, ndim=2] output=None, int num_threads=2): cdef unsigned int x, y, inner, outer if buf1.shape != buf2.shape: raise TypeError('Arrays have different shapes: %s, %s' % (buf1.shape, buf2.shape)) if output is None: output = numpy.empty_like(buf1) outer = buf1.shape[0] inner = buf1.shape[1] with nogil, cython.boundscheck(False), cython.wraparound(False): for x in parallel.prange(outer, schedule='static', num_threads=num_threads): for y in xrange(inner): output[x, y] = ((buf1[x, y] + buf2[x, y]) * 2 + buf1[x, y] * buf2[x, y]) return output
