如何在python中使用具有多处理功能的自定义数据结构

我正在linux机器上使用python 2.7和numpy。 我正在运行一个程序，该程序涉及一个耗时的函数

computeGP（level，grid）

，该函数以numpy数组

level

和对象

grid

的形式接收输入，该函数不修改该输入

我的目标是为不同的

级别

但相同的

网格

并行化

computeGP

（本地，在不同的内核上也是如此）。由于

grid

保持不变，因此使用共享内存无需进行同步。在我看来，我应该使用

多处理

模块，而不是线程。答案建议使用

multiprocessing.Array

高效共享，同时注意到在unix机器上，默认行为是不复制对象

我的问题是对象

网格
不是numpy数组。
这是一个numpy数组列表，因为我的数据结构的工作方式是，我需要访问数组（listelement）N，然后访问它的行K。
基本上，该列表只是伪造指向数组的指针

因此，我的问题是：

我的理解是，在unix机器上，我可以共享对象
网格
无需进一步使用
多处理
数据类型
数组
（或
值
）。对吗
有没有更好的方法
实现这个指向数组数据结构的指针，它可以使用
高效的
多处理。数组
我不想组装一个包含列表中较小的数组的大型数组，因为较小的数组也不是很小

欢迎有任何想法
 这个问题与你的问题非常相似：

这里有一些答案，但如果您只使用linux，最简单的方法就是将数据结构设置为全局变量。Linux将
fork（）
进程，它允许所有工作进程对主进程内存（全局）进行写时拷贝访问

在这种情况下，您不需要使用任何特殊的多处理类，也不需要将任何数据传递给工作进程（级别除外）。
因此，这个问题与您的问题非常相似：

这里有一些答案，但如果您只使用linux，最简单的方法就是将数据结构设置为全局变量。Linux将
fork（）
进程，它允许所有工作进程对主进程内存（全局）进行写时拷贝访问

在这种情况下，您不需要使用任何特殊的多处理类，也不需要将任何数据传递给工作进程（级别除外）