### Python 中利用多个 CPU 核心进行并发编程 #### 使用 `multiprocessing` 模块实现多核并行计算 为了充分利用计算机中的多个 CPU 核心，在 Python 中推荐使用 `multiprocessing` 模块来进行多进程编程[^2]。每个新启动的进程会获得独立的操作系统资源，包括单独的内存空间和全局解释器锁 (GIL)，这使得多进程非常适合用于 CPU 密集型任务。 下面是一个简单的例子，展示如何使用 `Pool` 类来分配工作给不同的 CPU 核心： ```python import multiprocessing from multiprocessing import Pool def calculate_square(n): return n ** 2 if __name__ == '__main__': numbers = [1, 2, 3, 4, 5] # 获取当前机器上的逻辑处理器数量 cpu_count = multiprocessing.cpu_count() # 创建一个具有自动检测到的核心数目的进程池 with Pool(cpu_count) as p: squares = p.map(calculate_square, numbers) print(squares) ``` 这段代码定义了一个名为 `calculate_square` 的简单函数，并将其应用于一系列整数值上。通过创建一个大小等于可用 CPU 数量的进程池 (`cpu_count`)，可以有效地将这些操作分布到各个核心上去执行[^4]。 #### 使用 `threading` 模板进行多线程处理 对于 I/O 密集型应用来说，可能更适合采用基于线程的方式而不是进程。然而需要注意的是由于 GIL 存在的原因，在纯 Python 编写的程序里即使开启了多个线程也未必能真正意义上达到并行效果；但对于涉及大量等待时间的任务（如网络请求），仍然可以通过这种方式提高效率[^5]。 这里给出一段基本的例子说明怎样建立两个线程去完成相同的工作： ```python import threading class MyThread(threading.Thread): def run(self): print(f'Thread {self.name} is running') threads = [] for i in range(2): t = MyThread() threads.append(t) t.start() for thread in threads: thread.join() # 主线程阻塞直到所有子线程结束 print('All done.') ``` 在这个案例中，自定义了 `MyThread` 继承自 `threading.Thread` 类，并实现了其 `run()` 方法。之后实例化了两个这样的线程对象并将它们加入列表以便稍后调用 join 方法确保主线程会在全部子线程完成后才继续往下走。