问题描述
在我的 Python 代码中，我必须对数百个数组进行对角化，每个数组的大小约为 1000*1000。但是，每个数组都是独立的，因此我似乎可以使用并行编程来加速这个过程。一个最小的（伪代码）示例是这样的形式
arr_list = [a0,a1,a2,...,a199] # each arr is of shape 1000*1000
for idx,arr in enumerate(arr_list):
evals,evecs = np.linalg.eigh(arr)
arr_list[idx] = evals
我对 CUDA、numba、CuPy 或多处理不是很熟悉，但一些快速研究似乎告诉我，CuPy 主要用于加速基本运算，例如加法、乘法、对角化等，并且只有真正具有如果数组大小远大于 1000，则相对于 numpy 的时间显着跳跃。相比之下，多处理似乎利用 cpu 上的多核 (6-8)，但似乎 numpy 对角化已经是多核进程（如有错误请指正），所以时间上可能不会有较大的下降。
我对并行编程不是很熟悉，所以我想知道是否有更多经验的人可以就这样的问题提供一些指导。也许是一个研究方向。
编辑。不幸的是，我使用的是 Windows，所以 jax 似乎不起作用。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）