Taichi作为图形学研究的工具而诞生，使得其天生就具备了很多为大规模数值计算准备的数据结构和并行运算加速机制。同时，作为一门内嵌在Python中的领域特定语言（DSL），你可以直接用Python来处理不需要高性能并行计算的部分，而把Taichi专门用在需要大量并行运算的代码上。

　　用Taichi来加速流场求解中需要大规模并行运算的部分

　　我们再次以上面的欧拉视角流体算法为例。

　　数据结构

　　为了让Taichi将求解部分的计算进行并行化处理，我们需要将流场数据保存成Taichi提供的field的形式。对于流体计算中经常出现的标量场和向量场，Taichi都提供了对应的数据结构。比如一个640x480的由浮点数组成的标量场可以表示为：

　　f_2d=ti.field(float,shape=(640,480))

　　类似的，一个640x480的2维向量场可以表示为：

　　v_2d=ti.Vector.field(n=2,dtype=float,shape=(640,480))

　　除此之外，Taichi中还提供了Matrix场以及自定义Struct场等更多丰富的数据结构，有兴趣的读者可以参阅官方文档的field的相关部分。

　　并行加速机制

　　假设我们要计算上面的f_2d这个标量场印加拉普拉斯算子的结果，我们可以先申请一个用来保存结果的场：

　　f_2d_grad2=ti.field(float,shape=(640,480))

　　然后我们需要遍历f_2d_grad2中的元素，计算其在施加了拉普拉斯算子后的值。为了方便地遍历场中的元素，Taichi提供了好用的struct-for语句：

　　for i,j in f_2d_grad2:

　　f_2d_grad2[i,j]=4*f_2d[i,j]-f_2d[i-1,j]

　　-f_2d[i+1,j]-f_2d[i,j-1]-f_2d[i,j+1]

　　不过上面的struct-for语句是Taichi的语法，并不能被Python处理。为了让Taichi来接管并加速这个计算，我们需要把上述计算包裹成一个Taichi kernel：

　　ti.kernel

　　def fgrad2():

　　for i,j in f_2d_grad:

　　f_2d_grad2[i,j]=4*f_2d[i,j]-f_2d[i-1,j]

　　-f_2d[i+1,j]-f_2d[i,j-1]-f_2d[i,j+1]

　　这里的装饰器ti.kernel就是所有Taichi加速魔法的入口，它的工作可以理解为接收并分析我们的函数代码，并返回一个自动并行化版本的函数：

　　fgrad2_ti=ti.kernel(fgrad2)

　　最后当我们调用这个函数的时候，程序就会把控制从Python交入Taichi手中，并在多个核心上并行执行上述运算，从而达到大大提升计算速度的目的。

　　数据可视化

　　Taichi提供了内建的一个简易GUI系统，可以在构建数值计算代码时方便地作为快速检视流场动态的辅助工具。比如说，可以用下面的简单语句来用一个灰度图来可视化上面的f_2d（gui.set_image可以接收Taichi field或者Numpy ndarray）：

　　gui=ti.GUI('Title',(640,480))

　　while gui.running:

　　gui.set_image(f_2d)

　　gui.show()

　　当然，如果你需要实现比较复杂的后期渲染效果，那么可能需要利用一些其他的后期软件进行动画制作。关于taichi的GUI系统是否可以满足你的需求，可以参考官方文档的GUI部分。taichi https://taichi-lang.cn/