我有两个大小为 (2500, 208) 和 (208, 2500) 的密集矩阵。我想计算他们的产品。当它是单个进程时，它运行良好且快速，但当它处于多处理块中时，进程会在那里停留数小时。我做更大尺寸的稀疏矩阵乘法，但我没有问题。我的代码如下所示：
with Pool(processes=agents) as pool:
result = pool.starmap(run_func, args)
def run_func(args):
#Do stuff. Including large sparse matrices multiplication.
C = np.matmul(A,B) # or A.dot(B) or even using BLASS library directly dgemm(1, A, B)
#Never go after the line above!
请注意，当该函数run_func在单个进程中执行时，它可以正常工作。当我在本地机器上进行多处理时，它工作正常。当我在 HPC 上进行多处理时，它卡住了。我这样分配我的资源：
srun -v --nodes=1 --time 7-0:0 --cpus-per-task=2 --nodes=1 --mem-per-cpu=20G python3 -u run.py 2
其中最后一个参数是agents上面代码中的数字。这是 HPC 上支持的 LAPACK 库详细信息（从 numpy 获得）：
libraries = ['mkl_rt', 'pthread']
library_dirs = ['**/lib']
define_macros = …我有两个向量x和y。x大小为 900，y大小为 12。我想取出每个元素x并从所有元素中减去它y，然后取出argmin. 结果向量的大小为 900，每个元素的值在 0 到 11 之间。这是一个我试图避免的 for 循环：
result = []
for x_e in x:
result.append(np.argmin(np.abs(y - x_e)))