Python numpy 如何优雅的进行矩阵的并行计算

arr = np.array([...])
match_arr = arr[None] + arr[:, None]

arr = np.array(arr)
match_arr = np.reshape(arr, (-1, 1)) + np.reshape(arr, (1, -1))

大概是这么个意思，参考 broadcast 的概念。

如果每个元素的计算过程不能用 numpy 内置的运算表达则无法实现，因为 GIL 的存在。

```python
a,b = np.meshgrid(arr,arr)
match_arr = a+b
```
不一定高效，但是简单

还有一种方法，原理一样
```python
match_arr = np.mgrid[1:7,1:7].sum(axis=0)
```

@geelaw 那就是说用自定义的 how 函数来循环计算时还是没有优化方法呗

@princelai sum 是我自定义的一个函数

@sunhk25 #6 你是想说 how 是你自定义的函数？你不是简单的相加是吗？那上 numba，循环放到 numba 里很快，比 numpy 还快。或者你都有两个传播好的 array 了，你改一下 how 函数不就完了

@princelai 对 是这个意思。我研究一下 numba，谢谢

先用 numba 如果还想快 就上进程

除了 numba，cython 也可以试试。门槛有点高，但是性能优化的上限也高

numba，数据量够大甚至可以 PyTorch, GPU 上来并行

樓上說 PyTorch，那我來說 TensorFlow 吧

In [4]: from numba import guvectorize, float64, jit
In [5]: @jit(nopython=True)
...: def how(x, y):
...: return x + y
In [6]: @guvectorize([(float64[:], float64[:,:])], '(n)->(n, n)', nopython=True)
...: def f(arr, ret):
...: for i in range(arr.shape[0]):
...: for j in range(arr.shape[0]):
...: if j >= i:
...: tmp = how(arr[i], arr[j])
...: ret[i, j] = tmp
...: ret[j, i] = tmp
In [11]: arr = [np.arange(3), np.arange(10, 13)]

In [12]: f(arr)
Out[12]:
array([[[ 0., 1., 2.],
[ 1., 2., 3.],
[ 2., 3., 4.]],

[[20., 21., 22.],
[21., 22., 23.],
[22., 23., 24.]]])
In [13]: arr = np.arange(3)

In [14]: f(arr)
Out[14]:
array([[0., 1., 2.],
[1., 2., 3.],
[2., 3., 4.]])

想要速度一定要用 nopython=True，但是代码得注意一定不能有 object

这狗 shit 的排版……

另，guvectorize 可以 target='cpu', 'gpu', 'parallel'

我测试了一下，有个简单一点的方法，但是会慢一些：
arr = np.arange(3)
def how(x, y):
....if x < y:
........return x + y
....return x * y
np.frompyfunc(how, 2, 1)(arr[:,None], arr)

frompyfunc 会返回一个 ufunc，从而让 numpy 可以 broadcast 自定义的函数。但是效率似乎没有 numba 的 vectorize/guvectorize 高，尤其是 numba 可以 target='gpu'或者'parallel'

@necomancer target 参数学习了