基本上，我有一个大对象，我想对其执行一些功能，它非常适合并行处理。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。
请看下面的IPython Notebook。
我意识到@interactive在这种情况下不需要装饰器，我尝试删除@require装饰器，但它的影响可以忽略不计。
我的问题是：有什么方法可以提高并行机器的性能吗？
我不知道这些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？不过，我无法想象它会随每个参数一起发送。
我自己将参数列表分块并编写一个远程使用的函数似乎也很愚蠢。
我在四核机器上尝试了笔记本，笔记本中的结果是两核机器。
这里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mat引擎是 C-contiguous，而不是push.
你可以看到这个：
print mat.flags
%px print mat.flags
添加：
%px mat = numpy.asfortranarray(mat)
应该让你的表现恢复（如我的笔记本调整版所示）。
为了诊断这个问题，我尽我所能找出瓶颈所在。对此有用的是AsyncResult.serial_timeand AsyncResult.wall_time。当它很长时，这意味着该任务实际上在引擎上serial_time花费了很长时间，而不是在 IPython 管道中花费大量时间。这让我认为任务本身在引擎上很慢，所以我在一个引擎上远程完成了任务，它仍然很慢（不涉及并行）。这是一个跟踪问题的笔记本。
边注：
@interactive装饰器仅对非交互定义的函数（即模块函数，而不是笔记本中定义的函数）是必需的，因此它在你的笔记本中是多余的。