并行处理可以增加程序完成的任务数量，从而减少整体处理时间。这些有助于处理大规模问题。

参考链接：Parallel Processing in Python - GeeksforGeeks

1 并行处理介绍

        对于并行性，重要的是将问题划分为不依赖于其他子单元 (或较少依赖) 的子单元。子单元完全独立于其他子单元的问题称为embarrassingly parallel。

        例如，数组上的元素操作。在这种情况下，操作需要了解其当前正在处理的特定元素。

        在另一种情况下，被划分为子单元的问题必须共享一些数据以执行操作。由于通信成本的原因，这些导致了性能问题。        

        处理并行程序有两种主要方法:

        共享内存

        在共享存储器中，子单元可以通过相同的存储器空间相互通信。优点是不需要显式处理通信，因为这种方法足以从共享内存读取或写入。但是当多个进程访问并同时更改相同的内存位置时，问题就出现了。使用同步（synchronization）技术可以避免这种冲突。

        分布式内存

        在分布式内存中，每个进程是完全分开的，并具有自己的内存空间。在这种情况下，进程之间的通信是显式处理的。由于通信是通过网络接口进行的，因此与共享内存相比成本更高。

        线程是实现与共享内存并行性的方法之一。线程是源自进程并共享内存的独立子任务。

        由于全局解释器锁定 (GIL)，线程不能用于提高Python中的性能。

        GIL是一种机制，其中Python解释器设计一次只允许一条Python指令运行。、

        GIL限制可以通过使用进程而不是线程来完全避免。使用进程几乎没有缺点，例如比共享内存效率更低的进程间通信，但是它更加灵活和明确。        

2 并行处理的多处理

        使用标准的多处理模块，我们可以通过创建子进程来有效地并行处理简单的任务。该模块提供了一个易于使用的界面，并包含一组实用程序来处理任务提交和同步。

        通过子类化multiprocessing.Processing，您可以创建一个独立运行的进程。通过扩展 __init__ 方法，可以初始化资源，通过实现Process.ru n() 方法，可以为子进程编写代码。在下面的代码中，我们看到了如何创建一个打印分配的id的进程:

        

import multiprocessing
import time


class Process(multiprocessing.Process):
    def __init__(self, id):
        super(Process, self).__init__()
        self.id = id

    def run(self):
        time.sleep(1)
        print("I'm the process with id: {}".format(self.id))

        要生成进程，需要初始化我们的进程对象并调用process.start() 方法。这里Process.start() 将创建一个新的进程，并将调用Process.run() 方法。

if __name__ == '__main__':
    p = Process(0)
    p.start()

        p.start() 之后的代码将在process p的任务完成之前立即执行。要等待任务完成，可以使用Process.join()。

if __name__ == '__main__':
    p = Process(0)
    p.start()
    p.join()
    p = Process(1)
    p.start()
    p.join()

OUTPUT：