使用场景

• 数值运算，特别是多维矩阵运算；
• 并行运算，使用openmp

优势

• 简单， Fortran语法简单
• 易学，Fortran矩阵操作与numpy十分类似， Fortran 与 Numpy 语法对照
• 速度，这个不用多说了

简单例子

# flib.f90
subroutine foo(a, b, c, d, n)
    implicit none
    integer :: n
    real, intent(in) :: a(n,n), b(n,n)
    real, intent(out) :: c(n, n), d(n, n)
    c = matmul(a,b)
    d = matmul(a,b)*2.0d0
end subroutine foo

将上面的代码保存为flib.f90, 确保Anaconda, numpy已经安装，输入下面的命令：

f2py -c -m flib flib.f90

上面的命令再linux下会生成flib.so，可以直接导入python：

image.png

使用OpenMP

# flib.f90
subroutine acorr(v,  c,  nstep)
        !$ use omp_lib
        ! (Normalized) 1d-vacf: c_vv(t) = C_vv(t) / C_vv(0)
        integer, parameter :: dp = selected_real_kind(15, 307) ! 64-bit reals
        integer, intent(in) :: nstep, nc
        real(dp), intent(in) :: v(0:nstep-1)
        real(dp), intent(out) :: c(0:nstep-1)
        integer             :: dt
!$OMP     parallel do
        do dt = 0,nstep-1
            c(dt) = sum(v(0:nstep-dt-1) * v(dt:)) / (nstep-dt)
        end do
!$OMP     end parallel do
end subroutine acorr

• 使用ifort与openmp编译：

f2py -c -m flib flib.f90 --opt='-O3' --fcompiler=intelem --f90flags="-openmp -D__OPENMP" --f77flags="-openmp -D__OPENMP" -liomp5

• 使用gfortran与openmp编译

f2py -c -m flib flib.f90 --opt='-O3' --fcompiler=gnu95 --f90flags="-fopenmp -D__OPENMP" --f77flags="-fopenmp -D__OPENMP" -lgomp

注意: 上面命令中参数--fcompiler可以使用下面命令查看，不同系统可用的编译器不同：

f2py -c --help-fcompiler

比如我的系统支持的编译器选项为:

image.png

FAQ

• 传递参数给Fortran subroutine时可以使用assumed shape array吗？
  不可以。

• 可以使用Allocatable arrays吗？
  可以。参考：Allocatable arrays

• f2py运行出错了，信息太乱看不到错误信息
  在运行f2py前可以使用下面命令，没有错误信息后再使用f2py

ifort -c flib.f90
#or
gfortran -c flib.f90

• Python中numpy默认是按行存储的, 而Fortran数组是按列存储的，需要考虑数组存储的顺序吗？
  一般不用。除非数组非常大，接近物理内存，否则f2py会自动判断是否需要复制数组，具体请参考：Array arguments

• f2py调用Fortran性能怎么样？
  在Linux系统中，编译的时候加上选项-DF2PY_REPORT_ATEXIT，结束的时候会输出如下图的性能报告，计算量较小时， f2py interface所需的时间相对较长， 但计算量很大时，这个时间就不值一提了。

f2py -c -m flib flib.f90 -DF2PY_REPORT_ATEXIT

image.png

参考

• F2PY Users Guide and Reference Manual