前言
Tab：python中的多进程运行，速度能提高三倍左右，而且很简单，非常适合食用。
便于理解的方式：
multiprocessing用于opencv播放视频，同时实现播放（或者说处理）多个视频。
加速前后耗时对比：
12.407seconds VS 4.519seconds
一分钟学会python多进程并发（mutliprocessing）用法
multiprocessing.Pool示例
from multiprocessing import Process, Pool, Lock
import time
def show(param1, param2, param3):
print('I am the process:{}'.format(param1))
time.sleep(1)
print('This my param2:{}'.format(param2))
time.sleep(2)
print('This is my parm3:{}'.format(param3))
def do(params):
return show(params[0], params[1], params[2])
if __name__ == '__main__':
# ---multiprocessing---
START_TIME = time.time()
pool_count = 3
pool = Pool(pool_count) # 创建拥有n个进程数量的进程池
params = []
for i in range(1,pool_count+1):
params.append([i, i*10, i*100])
pool.map(do, params) # map(func, iterable[, chunksize=None])
pool.close() # 关闭进程池（pool），使其不再接受新的任务
pool.join() # 主进程阻塞等待子进程的退出， join方法要在close或terminate之后使用
print("计算耗时>>>{:.3f}s".format(time.time() - START_TIME))
想要快速实现自己代码的多进程运行，重点把握自己的pool.map(do, param)，如上所示，do就是你的函数，因为map只接收一个参数，因此如果有多个参数时，需要再写个函数把之前的函数包装一层（eg:我的main_weight有两个参数，我写了个do将其包装为一个函数）。之后就按照示例上的将所有数据append到一个列表param中，后面再跟pool.close()和pool.join()就OK了！！！
毫无疑问，这几个句子是同时出现的，而不是一条一条出现的，也就是说第一秒出现了前三行，之后才出现中间三行，最后出现最后三行。
番外阅读：
multiprocessing包是Python中的多进程管理包。
与threading.Thread类似，它可以利用multiprocessing.Process对象来创建一个进程。
该进程可以运行在Python程序内部编写的函数。
该Process对象与Thread对象的用法相同，也有start(), run(), join()的方法。
此外multiprocessing包中也有Lock/Event/Semaphore/Condition类 (这些对象可以像多线程那样，通过参数传递给各个进程)，用以同步进程，其用法与threading包中的同名类一致。
所以，multiprocessing的很大一部份与threading使用同一套API，只不过换到了多进程的情境。但在使用这些共享API的时候，我们要注意以下几点:
在UNIX平台上，当某个进程终结之后，该进程需要被其父进程调用wait，否则进程成为僵尸进程(Zombie)。所以，有必要对每个Process对象调用join()方法 (实际上等同于wait)。对于多线程来说，由于只有一个进程，所以不存在此必要性。
multiprocessing提供了threading包中没有的IPC(比如Pipe和Queue)，效率上更高。应优先考虑Pipe和Queue，避免使用Lock/Event/Semaphore/Condition等同步方式 (因为它们占据的不是用户进程的资源)。
多进程应该避免共享资源。在多线程中，我们可以比较容易地共享资源，比如使用全局变量或者传递参数。在多进程情况下，由于每个进程有自己独立的内存空间，以上方法并不合适。此时我们可以通过共享内存和Manager的方法来共享资源。但这样做提高了程序的复杂度，并因为同步的需要而降低了程序的效率。
完毕！
如果大家觉得有用的话，欢迎点赞+关注哦！