之前在Fortran中有讲到OpenMP的并行：

这里讲如何在Python中如何实现多个任务的并行。在Python中，multiprocessing模块提供了一个Process类来代表一个进程对象。

Python中只有一个线程(是单线程的)，所以是通过启动“进程”来实现并行；而在Fortran的OpenMP中是通过启动“线程”来实现并行。这是实现多任务并行常见的两种解决方案。

直观的理解就是打开电脑的任务管理器(底部栏右击)，在应用程序旁边就是“进程”。运行本文的例子程序时，可以发现Python会产生多个“进程”，实现多个任务的并行，截图如下：

而在运行Fortran的OpenMP例子时，单个进程占了近100%CPU(四个核，一个核为25%)，也就是OpenMP通过产生多个“线程”，分给指定CPU运行，实现多任务的并行，截图如下：

这边是自己整理的一个Python多任务并行(multiprocessing模块Process类)的例子：

from multiprocessing import Process

import os

import time

def run_proc(name): # 要执行的代码

start_time = time.perf_counter()

for i in range(300000000):

x = 100000^1000000000000

end_time = time.perf_counter()

print ('Process id running on %s = %s' % (name, os.getpid()), '; running time = %s' % (end_time-start_time))

if __name__ == '__main__':

# 串行

print('串行程序')

print('Process id = %s.' % os.getpid())

start_time = time.perf_counter()

run_proc('job1')

run_proc('job2')

run_proc('job3')

run_proc('job4')

end_time = time.perf_counter()

print('CPU执行时间(s)=', (end_time-start_time), '\n')

# 并行

print('并行程序')

print('Process id = %s.' % os.getpid())

start_time = time.perf_counter()

p = Process(target=run_proc, args=('job1',))

p.start()

p = Process(target=run_proc, args=('job2',))

p.start()

p = Process(target=run_proc, args=('job3',))

p.start()

p = Process(target=run_proc, args=('job4',))

p.start()

p.join() # join()方法可以等待子进程结束后再继续往下运行

end_time = time.perf_counter()

print('CPU执行时间(s)=', (end_time-start_time), '\n')

计算结果为：

Python运行速度会比Fortran慢，但熟悉后写起来挺方便的。在科学计算中，如果想用Python写代码，又想赶进度，除了手动操作并行外，还可以用上以上这种并行方法。尤其是当使用超算时，如果没有使用多任务并行，选择多个核的速度和选择一个核的运行的速度相差不多的，这时候如果仍然选择多个核(如12个核)进行运算，就很有可能会极大地浪费超算资源和科研经费。

如果是想返回函数值，可通过共享内存Value来实现，参考资料为[2]。这里写出一个代码例子，如下：

from multiprocessing import Process, Value

def run_proc(name, a, num): # 要执行的代码

num.value = a

if __name__ == '__main__':

num1 = Value('d', 0.0) # 共享内存

num2 = Value('d', 0.0) # 共享内存

p1 = Process(target=run_proc, args=('job1', 100, num1))

p1.start()

p2 = Process(target=run_proc, args=('job2', 200, num2))

p2.start()

p2.join()

print(num1.value)

print(num2.value)

计算结果为：

参考资料：

+1