平行修改切片中的3D numpy數組

Question

我有一個復雜的numpy數組信號 ，尺寸為[10,1000,50000]我需要在切片中修改這個數組。 這是在for循環中完成的：

for k in range(signal.shape[2]):
    signal[:,:,k] = myfunction(signal[:,:,k], constant1, constant2, constant5=constant5, constant6=constant6)

我盡可能地優化了我的功能。 當我運行腳本時，它需要相當長的時間，但只使用24個CPU中的1個。

無法重寫代碼以使用numpy對整個數組執行myfunction。

因此，我希望通過並行計算加速我的代碼。 在python中似乎有許多不同的並行計算方法。 哪一個似乎對我的問題最好？ 我該如何實現它？

Answer 1

Joblib為這種“令人尷尬的並行”任務提供了簡單的執行：

import numpy as np

# Initialize array and define function 
np_array = np.random.rand(100,100,100)
my_function = lambda x: x / np.sum(x)

# Option 1: Loop over array and apply function
serial_result = np_array.copy()
for i in range(np_array.shape[2]):
    serial_result[:,:,i] = my_function(np_array[:,:,i])

現在使用joblib並行執行：

# Option 2: Parallel execution
# ... Apply function in Parallel 
from joblib import delayed, parallel
sub_arrays = Parallel(n_jobs=6)(                            # Use 6 cores 
                      delayed(my_function)(np_array[:,:,i]) # Apply my_function 
                      for i in range(np_array.shape[2]))    # For each 3rd dimension

# ... Concatenate the list of returned arrays
parallel_results = np.stack(sub_arrays, axis=2)

# Compare results 
np.equal(serial_result, parallel_results).all() # True