1. 课程导入与数值任务并行场景

在 Python 里做数值计算，很多人第一反应是“用 NumPy 就够了”。NumPy 的向量化确实能把逐元素循环压进 C 层，但一旦任务本身是大量相互独立的重复计算，或者单次计算耗时很长、内存占用很大，单进程就会成为瓶颈。这时真正需要的不是更快的单次运算，而是让多个 CPU 核心同时干活——这正是多进程并行要解决的问题。

先厘清一个关键前提：Python 存在全局解释器锁（GIL），同一进程内多个线程无法同时执行 Python 字节码。对于纯 Python 的数值循环，多线程往往无法提速；而 multiprocessing 会创建独立的子进程，每个进程有自己的解释器和内存空间，从而真正利用多核。代价是进程间通信需要序列化，数据不能像线程那样直接共享。理解“独立进程 + 序列化传递”这一模型，是后续所有内容的基础。

多进程并行在数值计算中的价值

数值任务并行带来的收益可以用一个简单关系判断：设单任务耗时 T，任务数 N，可用核心数 P，则理想加速比接近 min(N, P)。但实际加速会被三部分吃掉：进程启动开销、任务数据的序列化与传输、以及结果汇总。因此多进程最适合的场景具有共同特征——任务之间几乎不依赖、单个任务计算量足够大、输入输出数据量相对可控。如果每个任务只有几毫秒，进程调度和序列化的开销可能超过计算本身，此时并行反而更慢。

下面这张图概括了本节要建立的整体认知：从串行数值任务出发，经过任务切分、进程分发、并行计算，再到结果汇总，同时标出了影响加速效果的关键因素。

三个典型应用场景

蒙特卡洛模拟是最典型的“天然并行”任务。例如用随机投点法估计圆周率：在单位正方形内撒 N 个点，统计落入四分之一圆内的比例，乘以 4 即为 π 的估计。每个样本点相互独立，把 N 拆成 P 份交给不同进程，各自统计命中数，最后求和即可。这里的关键是每个子进程使用不同的随机种子，否则会得到重复样本，导致结果偏差。

矩阵运算适合按块并行。比如计算两个大矩阵的乘积，可以把结果矩阵按行分块，每个进程负责若干行与整个右矩阵相乘。需要注意，如果直接把大矩阵作为参数传给每个子进程，pickle 序列化的开销会非常可观；更合理的做法是让子进程通过共享内存或内存映射文件读取数据，只传递索引和形状信息。

参数扫描常见于模型调参与敏感性分析。假设要在一组超参数网格上评估模型，每个参数组合的训练与评估互不依赖，正好可以映射为进程池中的一个个任务。这类场景的难点在于负载均衡：不同参数组合的耗时可能差异很大，需要用动态调度而非静态均分。

课程学习路径与实战项目

本课程按“先建立模型、再掌握工具、最后落地项目”的顺序展开。前期会讲清进程、进程池、任务分发与结果收集的基本机制，以及 multiprocessing 中 Pool、Process、Queue、Manager 等核心对象的使用边界；中期进入数值场景的专门技巧，包括随机数种子的正确设置、大数组的共享内存方案、分块策略与负载均衡、异常在子进程中的传播与处理；后期通过一个贯穿式实战项目把上述知识串起来。

实战项目设定为“蒙特卡洛估算 π + 参数扫描调优”的组合任务：先实现串行版本并测量基线耗时，再用进程池并行化，对比不同进程数下的加速比，观察序列化开销与负载不均衡带来的影响，最后给出在给定机器上选择进程数的判断依据。项目不追求复杂，但要求每一步都有可观察的输入、可测量的中间结果和明确的判断标准，避免“跑通即结束”。