小编ABZ*_*TER的帖子

我尝试了一个简单的代码来使用 numba 和 prange 并行化循环。但由于某种原因，当我使用更多线程而不是更快时，它会变得更慢。为什么会发生这种情况？（CPU 锐龙 7 2700x 8 核 16 线程 3.7GHz）

from numba import njit, prange,set_num_threads,get_num_threads\n@njit(parallel=True,fastmath=True)\ndef test1():\n    x=np.empty((10,10))\n    for i in prange(10):\n        for j in range(10):\n            x[i,j]=i+j\n

Number of threads : 1\n897 ns \xc2\xb1 18.3 ns per loop (mean \xc2\xb1 std. dev. of 10 runs, 100000 loops each)\nNumber of threads : 2\n1.68 \xc2\xb5s \xc2\xb1 262 ns per loop (mean \xc2\xb1 std. dev. of 10 runs, 100000 loops each)\nNumber of threads : 3\n2.4 \xc2\xb5s \xc2\xb1 163 ns …

当我使用 numba 中的 njit 并行运行该程序时，我注意到使用多个线程并没有什么区别。事实上，从 1-5 个线程开始，时间会更快（这是预期的），但之后时间会变慢。为什么会发生这种情况？

from numba import njit,prange,set_num_threads,get_num_threads\nimport numpy as np\n@njit(parallel=True)\ndef test(x,y):\n    z=np.empty((x.shape[0],x.shape[0]),dtype=np.float64)\n    for i in prange(x.shape[0]):\n        for j in range(x.shape[0]):\n            z[i,j]=x[i,j]*y[i,j]\n    return z\n

x=np.random.rand(10000,10000)\ny=np.random.rand(10000,10000)\nfor i in range(16):   \n    set_num_threads(i+1)\n    print("Number of threads :",get_num_threads())\n    %timeit -r 1 -n 10 test(x,y)\n

Number of threads : 1\n234 ms \xc2\xb1 0 ns per loop (mean \xc2\xb1 std. dev. of 1 run, 10 loops each)\nNumber of threads : 2\n178 ms \xc2\xb1 0 ns per loop (mean \xc2\xb1 std. …