前言
使用多进程不一定非要用来并行加速，也可以方便地运行多个实验，这里对多进程、多线程的一些技巧和知识做一下记录。
正文
首先是一些知识的介绍。
apply是阻塞式的。首先主进程开始运行，碰到子进程，操作系统切换到子进程，等待子进程运行结束后，在切换到另外一个子进程，直到所有子进程运行完毕。然后在切换到主进程，运行剩余的部分。相当于在单进程中串行执行的。
apply_async是异步非阻塞式的。他不会等待子进程执行完毕, 主进程会继续执行, 根据系统调度来进行进程切换，真正的并行。
并行是指两个或者多个事件在同一时刻发生；而并发是指两个或多个事件在同一时间间隔内发生。
多进程中，同一个变量，各自有一份拷贝存在于每个进程中，互不影响；而多线程中，所有变量都由所有线程共享，所以，任何一个变量都可以被任何一个线程修改。因此，线程之间共享数据最大的危险在于多个线程同时改一个变量，把内容给改乱了，也就有了锁的诞生，确保原子性，即事务是一个不可再分割的工作单元，事务中的操作要么都发生，要么都不发生。多进程也可以设置一些共享的变量。
Python的线程虽然是真正的线程，但解释器执行代码时，有一个GIL锁：Global Interpreter Lock，任何Python线程执行前，必须先获得GIL锁，然后，每执行100条字节码，解释器就自动释放GIL锁，让别的线程有机会执行。这个GIL全局锁实际上把所有线程的执行代码都给上了锁，所以，多线程在Python中只能交替执行，即使100个线程跑在100核CPU上，也只能用到1个核。
GIL是Python解释器设计的历史遗留问题，通常我们用的解释器是官方实现的CPython，要真正利用多核，除非重写一个不带GIL的解释器。所以，在Python中，可以使用多线程，但不要指望能有效利用多核。如果一定要通过多线程利用多核，那只能通过C扩展来实现，不过这样就失去了Python简单易用的特点。不过，也不用过于担心，Python虽然不能利用多线程实现多核任务，但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁，互不影响。
我们通过一个代码来介绍这些技巧，主要是两种方式，一种直接map传参，相当于对输入对象中的每个元素进行多进程运算；另一种是一个个进程异步地启动。
from multiprocessing import Pool
# 需要并行的函数
def f(x):
return x*x
def cmp_string(s1):
print(s1 is 'abc')
if __name__ == '__main__':
'''
设置进程池，它提供了一种快捷的方法，赋予函数并行化处理一系列输入值的能力，
可以将输入数据分配给不同进程处理（数据并行）。
不设置默认根据本地的cpu个数决定，processes小于等于本地的cpu个数；
如果池中的进程数已经达到规定最大值，那么该请求就会等待，
直到池中有进程结束，才会创建新的进程来执行它。
'''
with Pool(5) as p:
print(p.map(f, [1, 2, 3])) # 传参
'''
输出为：[1, 4, 9]
'''
p = Pool(12) # 设置进程池，最多并行12个
x = 'abc'
for i in range(2):
# 异步地启动一个进程，参数为x。这里逗号不能省略，否则会解析为3个参数
res = p.apply_async(cmp_string, args=(x,))
# 获取多进程的错误信息，否则报错了也不会显示。可以试试把上面的逗号去掉，看错误信息
res.get()
print('子进程开始...')
# 关闭进程池，不会有新的进程加入到pool
p.close()
# 主进程本身很短，join函数等待所有子进程结束之后主进程才继续运行
p.join()
print('所有子进程结束！')
这里可以看出cmp_string的结果是False，如果不清楚判断string的方式，可以看这篇文章。