我有编写OpenMP代码的经验，用于共享内存机器（使用C和FORTRAN两种语言），执行简单的任务，例如矩阵加法、乘法等（只是为了查看它与LAPACK相比的效果）。我对OpenMP有足够的了解，可以在不需要查看文档的情况下执行简单的任务。
最近，我转向在我的项目中使用Python，但除了绝对基础知识之外，我没有任何使用Python的经验。
我的问题是：
在Python中使用OpenMP的最简单方法是什么？最简单的方法是指程序员方面付出最少的努力（即使这会增加系统时间成本）?
我使用OpenMP的原因是将串行代码转换为工作并行代码所需的工作量很小，只需在代码中添加几个! $ OMP 即可实现。实现粗略并行化所需的时间非常短。是否有任何方法可以在Python中复制此功能?
从浏览SO上的内容，我可以找到:
还有其他的吗? 哪一个最符合我的问题?
Cython支持OpenMP：使用Cython，可以通过使用prange（并行范围）运算符并将-fopenmp编译器指令添加到setup.py中来添加OpenMP。
在prange土台中工作时，由于使用with nogil:来指定禁用GIL的块，因此执行是并行执行的。
要编译cython_np.pyx，我们必须修改setup.py脚本，如下所示。 我们命令它在编译过程中通知C编译器使用-fopenmp作为参数-启用OpenMP并链接OpenMP库。
from distutils.core import setup
from distutils.extension import Extension
from Cython.Distutils import build_ext
setup(
cmdclass = {"build_ext": build_ext},
ext_modules = [
Extension(
"calculate",
["cython_np.pyx"],
extra_compile_args = ["-fopenmp"],
extra_link_args = ["-fopenmp"]
)
]
)
通过Cython的prange,我们可以选择不同的调度方式。使用静态（static），工作负载会均匀地分布在可用的CPU上。然而，由于某些计算区域的时间成本很高，而其他区域的成本较低 - 如果我们要求Cython在CPU上使用静态（static）平均分配工作块，那么一些区域的结果将比其他区域更快完成，而这些线程将闲置。
动态（dynamic）和导向（guided）调度选项都尝试通过在运行时动态分配较小的工作块来缓解此问题，以使CPU在工作负载的计算时间变化较大时更均匀地分布。因此，在您的代码中，正确的选择取决于工作负载的性质。
Numba的高级版本NumbaPro支持使用OpenMP操作符prange进行并行化的实验性支持。
Pythran（用于Python的C ++编译器的子集）可以利用矢量化和基于OpenMP的并行化可能性，但仅在Python 2.7中运行。您可以使用pragma omp指令指定并行部分（与上面描述的Cython的OpenMP支持非常相似），例如：
JIT Python编译器PyPy支持多进程模块（请参见以下内容）并且具有一个名为PyPy-STM的项目，这是“在同一进程中并行运行多个独立的CPU密集线程的特殊开发版本的PyPy”。
OpenMP是多核接口。您可能需要查看multiprocessing。该multiprocessing模块在更高级别上工作，共享Python数据结构，而OpenMP在编译为C后使用C原始对象（例如，整数和浮点数）。如果您正在编译代码，则使用OpenMP才有意义；如果您没有编译代码（例如，如果您正在使用高效的numpy代码并希望在多个核心上运行），则坚持使用multiprocessing可能是正确的方法。
ctypes 可以让您在 C 中访问共享内存。因此，它对于并行编程非常有用，如果您需要在进程之间共享大量数据，则可以显著提高速度。 multiprocessing 和其他 Python 模块具有通过 ctypes 利用共享内存的方法。 - Mike McKerns* 好的，它并不是毫无意义的，但除非时间在Python代码之外被消耗（例如通过popen或类似方法调用的外部进程），否则线程除了方便之外并不能为您带来任何好处。
有一个叫做pymp的包，作者将其描述为一种将OpenMP类似功能引入Python的包。我已经尝试使用它来处理文件，它可以正常工作。我认为它非常简单易用。 以下是从GitHub页面中摘取的示例：
import pymp
ex_array = pymp.shared.array((100,), dtype='uint8')
with pymp.Parallel(4) as p:
for index in p.range(0, 100):
ex_array[index] = 1
# The parallel print function takes care of asynchronous output.
p.print('Yay! {} done!'.format(index))
http://archive.euroscipy.org/talk/6857 "介绍了Cython的OpenMP功能，重点是针对NumPy数组的并行循环。源代码示例演示了如何从Python中使用OpenMP。使用OpenMP进行并行算法的结果显示了与其他并行化策略相比，不同数据大小可以实现什么样的加速比。"
import numpy
import cython
from cython cimport parallel
@cython.boundscheck(False)
@cython.wraparound(False)
def func(object[double, ndim=2] buf1 not None,
object[double, ndim=2] buf2 not None,
object[double, ndim=2] output=None,
int num_threads=2):
cdef unsigned int x, y, inner, outer
if buf1.shape != buf2.shape:
raise TypeError('Arrays have different shapes: %s, %s' % (buf1.shape,
buf2.shape))
if output is None:
output = numpy.empty_like(buf1)
outer = buf1.shape[0]
inner = buf1.shape[1]
with nogil, cython.boundscheck(False), cython.wraparound(False):
for x in parallel.prange(outer, schedule='static',
num_threads=num_threads):
for y in xrange(inner):
output[x, y] = ((buf1[x, y] + buf2[x, y]) * 2 +
buf1[x, y] * buf2[x, y])
return output
prange现在似乎已经在 Numba 中普遍可用了。您可以在 https://numba.readthedocs.io/en/stable/user/parallel.html 上找到更多相关信息。 - shadowtalker