基本上，我有一个大对象，我想要执行一些功能，这非常适合并行处理。在这个例子中，我有一个大矩阵，我想计算列向量之间的所有成对内积。
请查看以下IPython Notebook。
我意识到在此上下文中不需要@interactive装饰器，我尝试删除@require装饰器，但其影响可以忽略不计。
我的问题是：有没有办法可以提高并行机器的性能？
我不知道map方法的实现细节，我可以通过推送与视图中的引擎并行执行的函数来避免开销吗？但我无法想象它是随着每一个论点发送的。
自己对参数列表进行分区并编写一个用于远程使用的函数，这个函数看起来很傻。
我在四核机器上试用了笔记本，笔记本中的结果是用于双核机器。
答案 0 :(得分：1)
此处的主要性能问题是您应用的fortran-contiguous优化无法在网络传输中存活，因此引擎上的mat是C连续的，而不是push后的F连续。
你可以看到：
print mat.flags
%px print mat.flags
添加：
%px mat = numpy.asfortranarray(mat)
应该恢复你的表现（如笔记本的tweaked version所示）。
为了诊断这个问题，我尽力去找出瓶颈所在。对此有用的是AsyncResult.serial_time和AsyncResult.wall_time。当serial_time很长时，这意味着该任务实际上需要在引擎上花费很长时间，而不是在IPython管道中花费大量时间。这让我觉得任务本身在引擎上很慢，所以我在一台引擎上远程完成了任务，
它仍然很慢（没有任何平行参与）。这是a notebook追踪问题。
旁注：
只有不交互式定义的函数（即模块函数，而不是笔记本中定义的函数）才需要@interactive装饰器，因此在笔记本中它是多余的。