python无法在线程上实现真正的并行计算，因为全局解释器锁定了GIL。 这个论断我们不展开，但有一个概念。 IO密集型vs .计算密集型。
IO集中式：读取文件，频繁读取web套接字。
计算量大：大量消耗CPU的数学和逻辑运算，也就是这里所说的并行计算。
在concurrent.futures模块中，您可以利用multiprocessing实现真正的并行计算。
主要原理是，由于concurrent.futures将多个python解释器作为子进程并行运行，因此python程序可以利用多核CPU来提高运行速度。
由于子进程与主解释器分离，因此全局解释器的锁定也是相互独立的。 每个子进程完全可以使用一个CPU核心。
1 .不采用并行
importglobimportosimportcv2forimg _ nameinglob.glob (' *.jpg ' ) :
img=cv2.imread(img_name
img=cv2.resize(img，(600，600 ) )
2 .多进程
importglobimportosimportcv 2导入concurrent.futuresdefload _ and _ resize (img _ name ) :
img=cv2.imread(img_name
img=cv2.resize(img，(600，600 ) ) creatapoolofprocesses.by default，oneiscreatedforeachcpuinyourmachine。
with concurrent.futures.processpoolexecutor () as executor:
img_name=glob.glob((*.jpg ) ) ) )。
执行程序. map (load _ and _ resize，img_name ) )。
总是大幅加速吗？
如果您有一个由谨慎老师处理的数据列表，并且希望对每个数据点执行类似的计算，则使用Python并行池是一个不错的解决方案。
但是，那并不一定完美。 并行池中处理的数据不会按可预测的顺序处理。 如果要处理的结果按特定顺序排列，则此方法可能不适合。
你处理的数据必须是Python知道如何“pickle”的类型。 幸运的是，这些类型很常见。 以下是Python官方文档：
None，True，False
整数、浮点数、复数
字符串、字节、字节数组
只包含可选择对象的元组、列表、集合和词典
在模块的顶层定义的函数。 使用def而不是lambda
在模块的顶层定义的内置函数
在模块的顶层定义的类
调用这些类的实例，__dict__或__getstate __ ()的结果是可选的