我尝试按照this document 的建议设置“export OPENBLAS_NUM_THREADS=1”。但是我发现了一个奇怪的现象，设置这个会显着影响我的 RL 算法的性能（我对 TD3 和 SAC 做了一些测试，所有结果一致表明“export OPENBLAS_NUM_THREADS=1”会影响性能）。为什么会引起这么大的问题？
顺便说一句，算法使用 Tensorflow1.13 实现，数据通过tf.data.Dataset 输入神经网络。所有测试均在 OpenAI 的 Gym 的 BipedalWalker-v2 环境中完成。
【问题讨论】：
标签： python multithreading tensorflow reinforcement-learning openblas
链接指南建议在使用 ray 时专门设置此变量，但并非总是如此。
AFAICS，那是因为该框架本身会产生许多进程（每个参与者一个进程或某事），因此每个进程都使用多个线程不会带来任何加速。只有一个或只有几个进程时，情况并非如此。
一般来说，OpenBLAS FAQ 表示 OpenBLAS 的多线程可能与主程序的多线程“冲突”，并建议在这种情况下设置 OPENBLAS_NUM_THREADS=1。然而，FAQ 条目未能提供任何详细信息来验证其声明，因此它很可能已过时！根据https://github.com/obspy/obspy/wiki/Notes-on-Parallel-Processing-with-Python-and-ObsPy，这种“冲突”的症状是猖獗的僵局和段错误。因此，如果您没有类似的东西，那么您就很清楚了。主要的 Python 库非常负责自己处理此类问题，而不是将它们转储给用户，所以我很确定如果 OpenBLAS 有任何使用限制，numpy 和 scipy 在内部自动执行它们，如果你正在使用OpenBLAS 通过它们。
【讨论】：
OPENBLAS_NUM_THREADS=1？顺便说一句，我不太确定我们是否同意“性能”的定义。当我设置OPENBLAS_NUM_THREADS=1 时，100 集的平均分数在收敛时从 250-300 变化。当我不设置这个时，平均分数相当稳定在 300。我不明白为什么简单地设置 OPENBLAS_NUM_THREADS=1 会产生如此大的不同。
ray 实现我的算法的分布式版本。根据文件，我设置了它。然后我发现了这个令人困惑的现象。