Python进程池是利用多核CPU并行计算最常用方式，基于multiprocessing.Pool自动管理子进程，适合计算密集型任务，可绕过GIL限制，但需注意参数序列化开销及内存不共享特性。
Python进程池是利用多核CPU进行并行计算最常用、最稳妥的方式，核心在于用 multiprocessing.Pool 自动管理子进程，避免手动创建/通信的复杂性。它适合计算密集型任务（如数值运算、图像处理、模型推理），而非I/O密集型（此时更推荐异步或线程池）。
为什么选进程池而不是多线程？
CPython存在全局解释器锁（GIL），导致多线程无法真正并行执行CPU密集型代码。而进程拥有独立内存空间和Python解释器，能绕过GIL，充分发挥多核性能。
注意：进程间不共享内存，传参和返回值会序列化（pickle），因此对象需可被pickle，且大数据传递有开销。
基础用法：map、apply 和 starmap
map 最常用，适用于单参数函数批量执行：
立即学习“Python免费学习笔记（深入）”；
- 自动将可迭代对象切分，分发给多个进程
- 结果按输入顺序返回（阻塞等待全部完成）
示例：
def square(x): return x * x
with multiprocessing.Pool(4) as pool:
result = pool.map(square, [1, 2, 3, 4, 5])
print(result) # [1, 4, 9, 16, 25]
apply 类似同步调用，只运行一次，适合需要立即返回结果的场景；apply_async 是其异步版本，返回 AsyncResult 对象，可用 .get() 获取结果。
starmap 用于多参数函数，参数以元组形式提供：
def add(a, b): return a + bwith Pool() as p:
res = p.starmap(add, [(1,2), (3,4), (5,6)])
进阶技巧：控制并发与错误处理
初始化 Pool 时可指定 processes（默认为 CPU 核心数），也可设为 None 让系统自动判断。
- 用
maxtasksperchild限制每个子进程处理的任务数，防止内存泄漏或状态累积 - 捕获异常：map 默认传播第一个出错任务的异常；若想收集所有异常，改用
map_async+result.get(timeout=...)并配合 try/except - 关闭池后必须调用
pool.close()和pool.join()，或使用 with 语句自动管理
实战建议：何时用、怎么优化
适合场景：单次耗时 > 0.1 秒的纯计算任务；输入数据可分割、无强依赖；函数无全局状态修改。
- 避免频繁小任务：进程启动/通信开销可能抵消并行收益；可先合并小任务再提交
- 大数组传递？优先用
multiprocessing.shared_memory（Python 3.8+）或numpy.memmap减少拷贝 - 调试阶段建议先用
Pool(1)或直接调函数，确认逻辑正确后再开启多进程 - Windows 下注意将入口保护写成
if __name__ == '__main__':，防止子进程重复执行主模块
