据雷锋网《AI技术评论》报道，本文是工程师Jim Anderson分享的《通过并发加速python程序》一文的第三部分。主要内容与CPU绑定程序加速相关。
在前两篇文章中，我们已经讨论了I/O绑定程序的相关概念和加速。这是本系列的最后一篇文章，讨论CPU程序加速。雷锋网AI技术评论编译如下：
如何加速 CPU 绑定程序
到目前为止，前面的例子已经处理了I/O绑定问题。现在，您将研究CPU绑定的问题。如你所见，I/O绑定的问题大多是等待外部操作(比如网络调用)完成。另一方面，CPU限制的问题只执行很少的I/O操作，它的整体执行时间取决于它处理所需数据的速度。
在我们的例子中，我们将使用一个有点愚蠢的函数来创建一些需要在CPU上长时间运行的东西。此函数计算从0到传入值的每个数字的平方和：
您将处理大量数据，因此需要一段时间。记住，这只是代码的占位符。它实际上做了一些有用的事情，需要大量的处理时间，比如计算公式的根或者对大型数据结构进行排序。
CPU 绑定的同步版本
现在让我们来看看这个例子的非并发版本：
导入时间
def cpu_bound(number):返回sum(i * i for i in range(number))
def find_sums(数字):
对于numbers:中的数字
cpu_bound(数字)
if __name__=='__main__':
numbers=5_000_000 x，x在范围(20)内
开始时间=时间.时间
find_sums(数字)
持续时间=时间.时间-开始时间
打印(f'Duration {duration}秒)
这段代码调用cpu_bound 20次，每次都使用不同的大数字。它在单个CPU上的单个进程中的单个线程上完成所有这些工作。执行顺序图如下：
与I/O绑定示例不同，CPU绑定示例通常运行得相当一致。这台机器大约需要7.8秒：
显然，我们可以做得更好。它全部运行在一个CPU上，没有并发性。让我们看看我们能做些什么来改善它。
线程和异步版本
你认为用线程或者异步重写这段代码会加快速度吗？
如果你回答“一点也不”，那就有道理了。如果你回答“会减慢速度”，那就更是如此了。
原因如下：在上面的I/O绑定示例中，大部分时间都花在了等待慢速操作完成上。线程和异步可以通过允许重叠等待时间来加速，而不是按顺序执行。
但是，在CPU绑定的问题上，不需要等待。CPU将尽快启动以解决问题。在python中，线程和任务都在同一个进程的同一个CPU上运行。这意味着一个CPU不仅要做非并发代码的所有工作，还需要做线程或任务的额外工作。花了10多秒钟：
我已经编写了该代码的线程版本，并将其与其他示例代码一起放在Github repo中，以便您可以自己测试。
CPU 绑定的多处理版本
现在，你终于要接触和处理一些真正不同的东西了。与其他并发库不同，多处理被明确设计为在多个CPU之间共享工作负载。其执行时序图如下：
它的代码是这样的：
导入多重处理
导入时间
def cpu_bound(number):返回sum(i * i for i in range(number))
def find_sums(数字):
多重处理。作为池的池：
pool.map(cpu_bound，numbers)
if __name__=='__main__':
numbers=5_000_000 x，x在范围(20)内
开始时间=时间.时间
find_sums(numbers)
duration = time.time - start_time
print(f"Duration {duration} seconds")
这些代码和非并发版本相比几乎没有要更改的。你必须导入多处理，然后把数字循环改为创建多处理.pool 对象，并使用其.map方法在工作进程空闲时将单个数字发送给它们。
这正是你为 I/O 绑定的多处理代码所做的，但是这里你不需要担心会话对象。
如上所述，处理 multiprocessing.pool构造函数的可选参数值得注意。可以指定要在池中创建和管理的进程对象的数量。默认情况下，它将确定机器中有多少 CPU，并为每个 CPU 创建一个进程。虽然这对于我们的简单示例来说很有用，但你可能希望在生产环境它也能发挥作用。
另外，和我们在第一节中提到的线程一样，multiprocessing.Pool 的代码是建立在 Queue 和 Semaphore 上的，这对于使用其他语言执行多线程和多处理代码的人来说是很熟悉的。
为什么多处理版本很重要
这个例子的多处理版本非常好，因为它相对容易设置，并且只需要很少的额外代码。它还充分利用了计算机中的 CPU 资源。在我的机器上，运行它只需要 2.5 秒：
这比我们看到的其他方法要好得多。
多处理版本的问题
使用多处理有一些缺点。在这个简单的例子中，这些缺点并没有显露出来，但是将你的问题分解开来，以便每个处理器都能独立工作有时是很困难的。此外，许多解决方案需要在流程之间进行更多的通信，这相比非并发程序来说会复杂得多。雷锋网
何时使用并发性
首先，你应该判断是否应该使用并发模块。虽然这里的示例使每个库看起来非常简单，但并发性总是伴随着额外的复杂性，并且常常会导致难以找到的错误。
坚持添加并发性，直到出现已知的性能问题，然后确定需要哪种类型的并发性。正如 DonaldKnuth 所说，「过早的优化是编程中所有灾难（或者至少大部分灾难）的根源（Premature optimization is the root of all evil (or at least most of it) in programming）」。
一旦你决定优化你的程序，弄清楚你的程序是 CPU 绑定的还是 I/O 绑定的，这就是下一步要做的事情。记住，I/O 绑定的程序是那些花费大部分时间等待事情完成的程序，而 CPU 绑定的程序则尽可能快地处理数据。
正如你所看到的，CPU 绑定的问题实际上只有在使用多处理才能解决。线程和异步根本没有帮助解决这类问题。
对于 I/O 绑定的问题，python 社区中有一个通用的经验规则：「可以使用异步，必须使用线程。」异步可以为这种类型的程序提供最佳的速度，但有时需要某些关键库来利用它。记住，任何不放弃对事件循环控制的任务都将阻塞所有其他任务。
CPU 绑定加速的内容就到此为止啦，了解更多请访问原文！
前面的部分请查看：
如何利用并发性加速你的python程序（一）：相关概念
如何利用并发性加速你的python程序（二）：I/O 绑定程序加速
