Free-Threaded Python 如何加速 NumPy
Scaling NumPy on Free-Threaded Python
Python 的 GIL 长期以来限制了 NumPy 在多线程环境下的性能表现。随着 Free-Threaded Python 的演进，开发者终于有机会突破这一瓶颈。本文深入探讨了如何在移除 GIL 的新架构下，让 NumPy 真正发挥多核处理器的潜力，实现真正的并行计算。文章不仅分析了技术挑战，还展示了初步的优化成果，为未来高性能 Python 科学计算铺平了道路。
Free-Threaded Python 为 NumPy 的扩展带来了前所未有的机遇，让我们能够真正释放多核处理器的全部潜力。
- wiz21c
我知道这大概也在意料之中，但增加一个 worker 带来的提升衰减得非常快……我想这不能怪 CPython 或 NumPy，问题可能出在 CPU 上。
- tialaramex
> 仅在需要更新标志时才获取锁
在这种情况下，我不太明白为什么还需要锁。如果这个标志可能在运行时被更新，并且其设置状态会影响软件行为，那么这与我们“执行了非同步的 relaxed load 操作且发现之前未设置该标志，因此无需采取任何行动”的想法似乎是矛盾的。
也许我对这些内部机制有什么误解，原因可能很简单：“这只是建议性的，如果我们没在应该追踪的时候追踪，也没什么大不了的”。
- w-m
这篇文章写得很好。我能很顺畅地从头到尾读下来，从环境搭建到瓶颈分析，再到性能问题的解决。就连 PR 也读起来非常舒服：大部分 PR 只改了几行代码，加了一些测试和一点文档。
让我有点惊讶的是，这项工作竟然源于 StackOverflow 上的一个报告。我原本以为 StackOverflow 实际上已经死气沉沉、被社区抛弃了。但也许我不该把自己的经历投射到所有人身上。