Python 为什么ThreadPoolExecutor比for循环慢？ 代码1

这是我为执行前馈而编写的原始代码。我想使用多线程来提高执行速度，所以我编辑了代码，使用

concurrent.futures

模块中的

ThreadPoolExecutor

代码2 变量

d

是一个向量，我使用了

np.tile（）

以便

executor.map

正确地获取输入

计时后，将同时调整这两个选项的执行速度。我发现代码1比代码2快得多（代码2几乎慢8-10倍）。但是，使用多线程的代码不是比它的循环对应物更快吗。是因为我写的代码是错误的还是因为其他原因。如果是因为我代码中的错误，有人能告诉我我做错了什么吗

提前感谢您的帮助。

哈里

您应该在python和线程上快速进行google搜索——值得注意的是，由于python GIL（…google it），python“线程”不会并行运行。所以，如果您上面的函数是CPU受限的，那么它实际上不会像上面那样使用python线程运行得更快

要真正并行运行，需要改用ProcessPoolExecutor——这绕过了线程中存在的python“GIL锁”

---

至于为什么它的运行速度可能慢8-10倍——一个想法是，当您使用futures时，当您向执行者发出带有参数的调用时，futures将整理您的参数以传递给workers，然后workers将在线程/进程中取消pickle以在那里使用。（如果这对您来说是新的，请在python pickle上快速搜索一下）

如果您有大小不平凡的参数，这可能需要大量时间

所以这可能就是你看到经济放缓的原因。。。我发现我自己的代码速度大幅放缓，因为我试图将大型参数传递给工作人员

def feedforward(self,d):
    out = []
    for neuron in self.layer:
        out.append(neuron.feedforward(d))
    return np.array(out)

def parallel_feedforward(self,func,param):
    return func.feedforward(param)

def feedforward(self,d):
    out = []
    with ThreadPoolExecutor(max_workers = 4) as executor:
        new_d = np.tile(d,(len(self.layer),1))
        for o in executor.map(self.parallel_feedforward,self.layer,new_d):
            out.append(o)
    return np.array(out)