python 多核并行计算 示例1（工作太忙，仅仅作为记录）

import math
import datetime
import multiprocessing as mp

# 调用 Python 自带的多进程库 Multiprocessing, 就可以进行 多核并行 计算

# 定义目标函数
def train_on_parameter(name, param):
    result = 0
    for num in param:
        result += math.sqrt(num * math.tanh(num) / math.log2(num) / math.log10(num))
    return {name: result}


if __name__ == '__main__':

    start_t = datetime.datetime.now()

    # 核心数量: cpu_count() 函数可以获得计算机的核心数量。
    num_cores = int(mp.cpu_count())
    print("本计算机总共有: " + str(num_cores) + " 核心")

    # 进程池: Pool() 函数创建了一个进程池类，用来管理多进程的生命周期和资源分配。
    #        这里进程池传入的参数是核心数量，意思是最多有多少个进程可以进行并行运算。
    pool = mp.Pool(num_cores)

    param_dict = {'task1': list(range(10, 30000000)),
                  'task2': list(range(30000000, 60000000)),
                  'task3': list(range(60000000, 90000000)),
                  'task4': list(range(90000000, 120000000)),
                  'task5': list(range(120000000, 150000000)),
                  'task6': list(range(150000000, 180000000)),
                  'task7': list(range(180000000, 210000000)),
                  'task8': list(range(210000000, 240000000))}
    
    # 异步调度: apply_async() 是进程池的一个调度函数。第一个参数是计算函数.第二个参数是需要传入计算函数的参数，这里传入了计算函数名字和计算调参。
    #          异步的意义是在调度之后，虽然计算函数开始运行并且可能没有结束，异步调度都会返回一个临时结果，并且通过列表生成器临时保存在一个列表-results里。
    results = [pool.apply_async(train_on_parameter, args=(name, param)) for name, param in param_dict.items()]
    # 调度结果: 如果检查列表 results 里的类，会发现 apply_async() 返回的是 ApplyResult，也就是 调度结果类。
    #          简单来说，就是一个用来等待异步结果生成完毕的容器。
    # 获取结果: 调度结果 ApplyResult 类可以调用函数 get(), 这是一个非异步函数，
    #          也就是说 get() 会等待计算函数处理完毕，并且返回结果。
    #          这里的结果就是计算函数的 return。
    results = [p.get() for p in results]

    end_t = datetime.datetime.now()
    elapsed_sec = (end_t - start_t).total_seconds()
    print("多进程计算 共消耗: " + "{:.2f}".format(elapsed_sec) + " 秒")