为什么？

1、提升效率。

2、一开始代码是在python中用了多进程，后面发现c++调用的Python代码是无法开启多进程的。由于Python解释器有全局解释所GIL的原因，导致在同一时刻只能有一个线程拥有解释器，所以在C++多线程调用python脚本时，需要控制GIL，线程获取GIL。

c++如何开启多线程

首先要引入头文件#include<thread>，管理线程的函数和类在该头文件中声明，其中包括std::thread类。

语句"std::thread th1(test);"创建了一个名为th1的线程。

join()是线程阻塞方法，主函数阻塞直到th1子线程运行完毕。

#include<iostream>
#include<thread>
using namespace std;void test()
{cout << "子线程运行" << endl;cout << "子线程id为" << this_thread::get_id() << endl;
}
int main()
{cout << "主线程" << endl;thread th1(test);cout << "主线程中显示子线程id为" << th1.get_id() << endl;th1.join();return 0;
}

结果：

c++多线程调用python脚本

此处涉及到c++与numpy之间的通信协议。（可以查看我之前写的：https://mp.weixin.qq.com/s/DJCCXXGH_2658p2ytMvZMw）

在C++多线程环境下，直接调用 api操作 Python解释器，肯定会导致 core dump, 因为 Python 绝大部分函数都是非线程安全的。由GIL控制访问顺序。

Python解释器不是完全线程安全的。为了支持多线程Python程序，有一个全局锁，称为 global interpreter lock or GIL，在当前线程能够安全访问Python对象之前，它必须由当前线程持有。没有锁，即使是最简单的操作也可能导致多线程程序中的问题。

话不多说，附上代码。改代码将一个800*512*512的ct图像分别放入4个不同的python线程计算，最后再将运行结果拿回来。

#include<iostream>
#include"include/Python.h"
#include"arrayobject.h"
#include<object.h>
#include<thread>
#include<vector>
using namespace std;
/*
class PythonThreadLocker
{PyGILState_STATE state;
public:PythonThreadLocker() : state(PyGILState_Ensure()){}~PythonThreadLocker() {PyGILState_Release(state);}
};
void NumpyToPtr(PyArrayObject* pRet,short* ptr)
{int layer = pRet->dimensions[0],Rows = pRet->dimensions[1], columns = pRet->dimensions[2];int j = 0;for (int c = 0; c < layer; c++){for (int Index_m = 0; Index_m < Rows; Index_m++) {for (int Index_n = 0; Index_n < columns; Index_n++) {ptr[j] = *(short*)(pRet->data + c* pRet->strides[0]+Index_m * pRet->strides[1] + Index_n * pRet->strides[2]);j++;}}}}
void testmul(short* ptr, npy_intp* dims,short* ptr2, PyObject* times)
{PythonThreadLocker locker;PyObject* pModule = PyImport_ImportModule("mul");PyObject* PyArray = PyArray_SimpleNewFromData(3, dims, NPY_SHORT, ptr);PyObject* pFunc = PyObject_GetAttrString(pModule, "ff");//用tuple装起来PyObject* args = PyTuple_New(2);PyTuple_SetItem(args, 0, PyArray);PyTuple_SetItem(args, 1, times);PyArrayObject* pRet = (PyArrayObject*)PyEval_CallObject(pFunc, args);NumpyToPtr(pRet, ptr2);Py_CLEAR(pModule);Py_CLEAR(PyArray);Py_CLEAR(pFunc);Py_CLEAR(args);Py_CLEAR(pRet);
}
void pythoninit()
{Py_SetPythonHome(L"./");//指定python.exe位置需要修改成自己的  python的环境Py_Initialize();PyEval_InitThreads();//启用线程支持PyRun_SimpleString("import sys");PyRun_SimpleString("sys.path.append('./')");PyRun_SimpleString("import os");PyRun_SimpleString("print(os.listdir())");
}
int main()
{pythoninit();//初始化Numpyimport_array();//造数据short* ptr = new short[800*512*512];for (int i = 0; i < 80 * 512 * 512; i++){ptr[i] = i;}npy_intp dims[3] = { 800,512,512 };vector<short*> returnptr(4);for (int i = 0; i < 4; i++){returnptr[i] = new short[800 * 512 * 512];}Py_BEGIN_ALLOW_THREADS;cout << PyGILState_Check() << endl;thread t1(testmul, ptr, dims, returnptr[0], Py_BuildValue("h", 10));thread t2(testmul, ptr, dims, returnptr[1], Py_BuildValue("h", 20));thread t3(testmul, ptr, dims, returnptr[2], Py_BuildValue("h", 30));thread t4(testmul, ptr, dims, returnptr[3], Py_BuildValue("h", 40));t1.join();t2.join();t3.join();t4.join();Py_END_ALLOW_THREADS;delete[] ptr;for (int i = 0; i < 4; i++){delete[] returnptr[i];}Py_Finalize();return 0;
}
*/

import numpy as np
import time
def ff(data,times):print(data.shape)data = data.reshape(-1)data = np.clip(data,200,3000)data = data.reshape(-1,512,512)time.sleep(times)return data