尽管存在GIL，但多线程加速了CPU限制的任务

Question

我最近在python中了解了GIL。 我做了一些基准测试，发现多线程确实提高了性能。我比较了不使用任何内部多线程的elementwise NumPy操作。在第一个测试中，我从for循环顺序调用函数32次。在第二种情况下，我使用多线程。但是如果GIL正在工作，在第二种情况下，一次只能有一个线程处于活动状态，因此执行时间应该大致相等（由于多线程开销，在第二种情况下更糟）。这不是我观察到的

import os
import threading
import numpy as np, time

def elemntwiseoperations(a,b):
    np.exp(a)+np.sin(b)
        
N=1024
a=np.random.rand(N,N)
b=np.random.rand(N,N)


NoTasks=32

start_time = time.time()
for i in range(NoTasks):
    elemntwiseoperations(a,b)
print("Execution time for {} tasks: {} seconds, {} seconds per task".format(NoTasks,time.time() - start_time,(time.time() - start_time)/NoTasks))

threads=[]
start_time = time.time()
for i in range(NoTasks):
    x = threading.Thread(target=elemntwiseoperations,name=''.format(i),args=(a,b))
    x.start()
    threads.append(x)
    
for process in threads:
    process.join()

print("Execution time for {} tasks: {} seconds, {} seconds per task".format(NoTasks,time.time() - start_time,(time.time() - start_time)/NoTasks))

输出：

Execution time for 32 tasks: 0.5654711723327637 seconds, 0.01767103374004364 seconds per task
Execution time for 32 tasks: 0.17153215408325195 seconds, 0.005360409617424011 seconds per task

MacOS，Python3.7.6，Cpython实现

Answer 1

因此，我目前的最佳猜测如下： 在第一种情况下，一个线程按顺序启动C例程。它会等待每一个任务完成，然后再开始新的任务。因为我只使用了在numpy中没有并行化的元素操作，所以在整个过程中只使用了一个线程

在第二种情况下，我调用32个虚拟线程，每个线程都受GIL的影响。第一个线程启动C例程并将GIL控制权交给第二个线程，然后第二个线程启动C例程并将控制权交给第三个线程，依此类推。尽管不同时调用C例程，但它们都是并发执行的，因为C不受GIL的影响

我不知道如何实际检查它，但在阅读了几篇关于GIL的python博客后，我就是这样理解它的