6.3 外部语言接口与并行计算

本节摘要：与 Python 的双向互操作、与 C 的接口机制解决"连得上"，parfor 与 GPU 计算解决"算得动"。本节讲两类能力的使用方式、适用判断与代价，重点是并行化的前提——迭代独立性。

没有系统是孤岛

Matlab 长期处在多语言生态里：老一代遗留系统是 Fortran 与 C，新一代数据科学栈在 Python。两种互操作路线由此长出——调进来（在 Matlab 里调 Python 与 C），调出去（在 Python 里调 Matlab 引擎）。并行计算则回应另一个压力：单核频率撞墙后，性能红利只能从多核与 GPU 里挖。

与 Python 互操作

R2014b 起 Matlab 内置 Python 接口，py. 前缀直接调用：


np = py.importlib.import_module('numpy');
arr = np.array(py.list([1.0, 2.0, 3.0]));
double(arr)               % 转回 Matlab 矩阵

反向也有官方路径：Python 侧安装引擎包后可以启动 Matlab 会话、传数组、取结果。注意边界处的类型转换成本——两边各有一套数据结构，跨一次边界就要转一次，高频小调用的方案会被转换开销吃光。合理用法是大块数据过一次边界，两边各自内部处理。

与 C 的接口是更老的传统：MEX 函数把编译好的 C 代码包装成普通 Matlab 函数调用，适合已有 C 库复用或热点的极致优化。维护成本不低，动用它之前先确认向量化与并行已经做到位。

并行计算：独立性是前提


parfor k = 1:1000
    result(k) = monteCarloTrial(k);   % 每次试验互不依赖
end

parfor 把循环分发给多个工作进程。能用的前提写在语法里：迭代之间不能相互依赖。x(k) = x(k-1) + a 这类递推写进 parfor 直接报错——不是工具苛刻，是并行语义本身不允许。判断口诀：把循环顺序打乱重跑，结果不变，就能并行。


% 蒙特卡洛示例：万次独立试验并行求 pi
n = 1e6;
inside = false(1, n);
parfor k = 1:n
    p = rand(1,2);
    inside(k) = sum(p.^2) <= 1;
end
piEst = 4 * mean(inside);

再往上是 GPU：数据搬上显存后，大量内置函数自动按 GPU 版本执行：


G = gpuArray(X);          % 上卡
Y = fft(G) * 2;           % 自动用 CUDA 实现
Yhost = gather(Y);        % 取回

代价模型要心里有数：数据搬运过总线是显性成本，小数据上 GPU 纯属倒贴；真正受益的是"上卡一次、算很久、取回一次"的形态，大矩阵运算、大规模随机模拟都符合。

图三层加速能力的适用规模

⚠️ 常见坑：在 parfor 内调用绘图或写共享变量。工作进程没有界面也不共享工作区，随机数种子还需要 parfor 内部自动处理才能保证可复现——涉及随机模拟时验证一下各迭代确实拿到了不同流。

完整案例：一次并行的实际收益测量

背景：风场统计课需要十万次独立的流场模拟，串行预估要跑大半天。操作分三步，每步都留数据。先建本地进程池并测串行基线：


pool = parpool('Processes', 6);       % 六个工作进程，按机器核数定

n = 1e5;
tic;                                  % 串行基线
s1 = zeros(1, n);
for k = 1:n
    s1(k) = streamTrial(k);
end
tSerial = toc;

tic;                                  % 并行版本
s2 = zeros(1, n);
parfor k = 1:n
    s2(k) = streamTrial(k);
end
tPar = toc;

fprintf('串行 %.1f s，并行 %.1f s，加速比 %.1f\n', ...
    tSerial, tPar, tSerial/tPar)
delete(pool)

结果解读：理想加速比接近进程数，实际通常打七折——折扣来自任务分发与结果回收的开销；单次试验越轻，折扣越狠，所以"把循环体内的活做大"（比如一批一万次试验作为一个任务）是并行的常用改写。变式与边界：若 streamTrial 内部还要读写同一文件，独立性被破坏，正确做法是让每次迭代写自己的临时文件，循环外汇总。测量还有个易错点：首次 parfor 要等进程池启动，几十秒的启动开销别算进并行耗时，正式计时前先空跑一轮预热。

互操作排错清单

Python 接口的报错多数集中在环境配对。按序排查：pyenv('Version', '路径') 指定的解释器是否为当前 Matlab 支持的版本区间（各版本支持区间不同，官方兼容表可查）；py.sys.version 能否在命令行返回，返回即通路已建立；模块是否装在该解释器里而非系统默认解释器——两个 Python 共存时八成错在这里。MEX 侧的排错则围绕编译器配置：mex -setup 找不到支持的 C 编译器时，先装厂商编译器再重跑；改动 C 源码后记得重新 mex 编译，直接调用的还是旧二进制，这类"改了没生效"的悬案在 MEX 使用里排名第一。

并行层还有一个介于 parfor 与 GPU 之间的选项值得知道：parsim 面向 Simulink 仿真批量并行，spmd 面向需要在各进程间通信的分布式数组。多数用户一辈子只用 parfor 就够，但知道谱系的存在，遇到"每次仿真要跑一个模型"或"矩阵大到单机内存放不下"这两类场景时，知道该往哪个关键词去查。三层的共同心法不变：先把单核做对做快，再谈多发。

给三层加速配一张速断表，升级前先对照：单核耗时毫秒级，不值得任何优化；秒级且热点集中，向量化与预分配；分钟级且迭代独立，parfor；矩阵巨大或逐元素运算海量，GPU；热点无法向量化且算法已到极限，MEX。多数真实项目在前两档就解决了九成问题，后三档是给真正的大计算准备的——先测后升级的纪律，在每一档之间同样适用。

本节要点回顾

互操作两方向：py. 前缀调进来，引擎包调出去；边界处有类型转换税；
MEX 是老牌 C 接口，动用前先穷尽向量化与并行；
parfor 的前提是迭代独立，打乱顺序结果不变才可并行；
GPU 的成本在搬运，上卡一次算很久的形态才划算；
三层加速逐级升级，规模决定层级。

作者与出处

原作者：灏天文库

来源：灏天文库

整理：灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流

6.3 外部语言接口与并行计算