Python numpy中的并行阵列操作

我有一个代码，其中我需要处理一些大的numpy数组。例如，我有一个3D数组

a

，我需要使用

a

的元素构建另一个3D数组

B

。然而，

B

的所有元素都是相互独立的。例如：

for i in np.arange(Nx):
  for j in np.arange(Ny):
   for k in np.arange(Nz):
       B[i][j][k] = A[i+1][j][k]*np.sqrt(A[i][j-1][k-1])

因此，如果我能并行地构造

B

数组，它将大大加快速度。在python中，最简单的方法是什么

我也有类似的矩阵操作，比如规范化2D数组的每一行。范例

for i in np.arange(Nx):
   f[i,:] = f[i,:]/np.linalg.norm(f[i,:])

如果它为每行并行运行，也会加快速度。如何做到这一点？

您应该研究函数。我认为这相当于您的第一个代码块（尽管您需要决定在边缘发生什么-

滚动

“环绕”）：

第二个案例中另一个相当可怕的一行是：

f /= np.sqrt(np.sum(f**2, axis=1))[...,np.newaxis]

对这一行的解释：

我们首先要计算每一行的范数。让我们

f = np.random.rand(5,6)

将

f的每个元素平方

f**2

沿轴1求平方和，这将“展平”该轴

np.sum(f**2, axis=1)

取平方和的平方根

np.sqrt(np.sum(f**2, axis=1))

我们现在有了每一行的标准

为了正确地将
f
的每一原始行除以该值，我们需要利用Numpy广播规则有效地添加一个维度：

np.sqrt(np.sum(f**2, axis=1))[...,np.newaxis]

最后我们计算结果

f /= np.sqrt(np.sum(f**2, axis=1))[...,np.newaxis]

如果您很好地处理了边，那么进行第一次矢量化的标准方法如下所示：

B = np.zeros(A.shape)
B[:-1, 1:, 1:] = A[1:, 1:, 1:] * np.sqrt(A[:-1, :-1, :-1])

然后需要用适当的值填充
B[-1，：，：]
，
B[：，0，：]
和
B[：，：，0]

将其扩展到其他索引应该非常简单。
要在
numpy
中执行并行处理，您应该查看。它是Python的MPI绑定。它允许分布式处理。
在实际代码中，边缘得到了很好的处理，但是
B
矩阵的构造要复杂得多，因此
numpy.roll
函数使事情变得非常混乱，容易出错。有没有一种简单的方法可以独立地运行for循环的不同迭代？容易受到编程错误或边缘处理错误的影响？编程错误。另外，我正在寻找一种通用的方法来并行化for循环的迭代，其中每个循环都是独立的。我知道，但对我来说，至少通用的方法是使用类似于
roll
的东西“排列”元素，如果变得混乱，可能会创建一些中间数组。关于并行化代码的全部选项，您应该看看
B = np.zeros(A.shape)
B[:-1, 1:, 1:] = A[1:, 1:, 1:] * np.sqrt(A[:-1, :-1, :-1])