NumPy por defecto proporciona algunos envoltorios de Python para bibliotecas C subyacentes como BLAS y LAPACK (o ATLAS). Si desea subprocesos múltiples, creo que puede compilar NumPy en diferentes bibliotecas (como MKL). Este chico hizo algunos benchmarking: http://stackoverflow.com/a/76459…
Antes de mirar las implementaciones paralelas, debe mirar un poco más de optimización (en caso de que no lo sepa): PerformancePython – y PerformanceTips –
Lo que puede desear son envoltorios de Python para un paquete de álgebra lineal de alto rendimiento escrito en C o Fortran. Esto existe para sistemas de memoria distribuida en paquetes como PETSc, donde tienen petsc4py. Si necesita eigensolvers, también hay SLEPc y slepc4py (ambos dependen de mpi4py). Sin embargo, se necesita un poco de tiempo para configurarlos.
- ¿Se puede aplicar el aprendizaje automático para un entorno completamente aleatorio?
- ¿Cuál es la principal diferencia entre ingeniero informático y experto en TI?
- ¿Cuál es la mejor herramienta de prueba de software?
- ¿Cuál es la alternativa al aprendizaje automático?
- ¿Es demasiado tarde para entrar en el aprendizaje automático?
Además de PETSc, también hay Trilinos y sus envoltorios de Python correspondientes, PyTrilinos: PyTrilinos – Home. Si está buscando GPU, hay PyCUDA: la página web de Andreas Klöckner y ¡Bienvenido a la documentación de PyCUDA!
Aquí hay una muy buena presentación de Python de alto rendimiento: http://www.uni-graz.at/~haasegu/…
Desafortunadamente, no es tan fácil como lo es en MATLAB, pero afortunadamente si dedicas algo de tiempo, obtendrás aceleraciones masivas.