导入scipy破坏了Python中的多处理支持

在深入研究并将问题发布在Scipy
GitHub网站上之后，我找到了解决方案。

在我开始之前，这是记录非常好这里-我只是给出一个概述。

这个问题 不
涉及到SciPy的版本，或numpy的，我用。它起源于Numpy和Scipy用于各种线性代数例程的系统BLAS库。您可以通过运行来确定Numpy链接到哪些库

python -c 'import numpy; numpy.show_config()'

如果在Linux中使用OpenBLAS，则可能会发现CPU关联性设置为1，这意味着一旦这些算法以Python（通过Numpy /
Scipy）导入了Python，则最多可以访问CPU的一个核心。要测试这一点，请在Python终端中运行

import osos.system('taskset -p %s' %os.getpid())

如果CPU亲和力返回

f

ff

1

我找到了两种解决方案：

更改CPU关联

您可以在main函数的顶部手动设置主进程的CPU亲和力，以使代码如下所示：

import multiprocessingimport numpy as npimport mathimport timeimport osdef compute_something(t):    a = 0.    for i in range(10000000):        a = math.sqrt(t)    return aif __name__ == '__main__':    pool_size = multiprocessing.cpu_count()    os.system('taskset -cp 0-%d %s' % (pool_size, os.getpid()))    print "Pool size:", pool_size    pool = multiprocessing.Pool(processes=pool_size)    inputs = range(10)    tic = time.time()    builtin_outputs = map(compute_something, inputs)    print 'Built-in:', time.time() - tic    tic = time.time()    pool_outputs = pool.map(compute_something, inputs)    print 'Pool    :', time.time() - tic

请注意，选择一个高于内核数的值

taskset

切换BLAS库

解决方案记录在上面链接的站点上。基本上：安装libatlas，然后

update-alternatives