逃离GIL的Python线程并行化

我重新表述我的问题，因为我想很多人认为这是一个“python是否有线程”的问题。确实如此，但CPython也有GIL，它在任何给定时间都不会调度多个线程。这使得CPython线程对于cpu密集型计算毫无用处

我需要使用线程；进程并行性对我来说不起作用，因为IPC成本太高（我有很大的共享对象）

我目前正在使用Jython（无GIL）和JyNI，这样我就可以使用numpy了。JyNI是alpha，但它现在确实支持numpy。我让它工作。然而，JyNI是alpha和buggy，整个过程很慢

我读过一堆旧文章。我想知道从那时起是否有一个可行的选择？我被迫使用python 2.7

---

谢谢。

目前，Jython仍然比CPython慢很多。根据程序以及JIT对其进行优化的程度，多线程可能会有回报，也可能不会有回报。Jython的主要设计目标是兼容性，而不是性能。它主要用于粘合代码，在提高效率方面仍有很大潜力。参见例如zippy，了解Java中速度极快的Python实现，但是它是实验性的，缺乏Jython的兼容性级别。在某种程度上，这代表了相反的设计目标

现在，将JyNI添加到Jython并不能让它更快，但到目前为止，我发现JyNI中的性能优化还为时过早，而且通常Jython部分会主导运行时。此外，例如，对于NumPy，本机数字工作负载在很大程度上决定了粘合代码的成本

最后，请注意，JyNI必须在C端模拟GIL。详情请看报纸。也许在没有GIL的情况下操作某些扩展是可能的——这取决于实现细节，以及扩展对GIL的敏感程度。目前，C端GIL是强制性的。这就是为什么在使用NumPy时，您可能无法从Java多线程中获益。C-extensions可以选择显式释放GIL，例如在不与解释器交互的计算密集型操作期间。我不知道NumPy是否利用了这个

JyNI是阿尔法和童车

---

请确保在问题跟踪器上报告错误。

您始终可以编写C扩展或使用Cython。您是如何得出IPC速度慢的结论的？我在中听到了另一个关于共享记忆的观点。我进行了实验。我用的是巨大的共享矩阵，