在讨论进程和线程之前，我们先讨论一下cpu的核心数的概念
那我的电脑举例，cpu的型号是：i5 3317u，这是一颗双核心四线程的处理器。一般来说，都是一个核心，运行一个线程，那为什么这个两核的处理器，可以运行四个线程？
找到一个解释：
现在的cpu都利用特殊的硬件指令，把两个物理内核模拟为四个逻辑内核，让单个处理器都能使用线程级并行计算。进而兼容多线程操作系统和软件，减少了CPU的闲置时间，提高的CPU的运行效率。
也就是说，从硬件的角度来看，他是两个核心，从操作系统的角度看，他是四个核心。
当然这一点也很方便的可以从操作系统的层面上证实：
打开任务管理器>性能>右键 将图形更改为 >逻辑处理器
通过python也可以的到，机器的核心数。
这个要import multiprocessing
这是我的虚拟机，只给它分配了一个核。
现在我们来讨论进程和线程
进程
那么对于计算量比较大的程序，我们可以使用多进程的模型来开发。多个进程分别运行在cpu的多个核上面，可以成倍的提高效率。但如果同时运行进程大于CPU核心数，则至少有个核心要同时运行2个或以上的任务，这样的并发执行中会带来任务的切换开销，降低效率。
线程
因为Python的线程虽然是真正的线程，但解释器执行代码时，有一个GIL锁：Global Interpreter Lock，任何Python线程执行前，必须先获得GIL锁，然后，每执行100条字节码，解释器就自动释放GIL锁，让别的线程有机会执行。这个GIL全局锁实际上把所有线程的执行代码都给上了锁，所以，多线程在Python中只能交替执行，即使100个线程跑在100核CPU上，也只能用到1个核。
GIL是Python解释器设计的历史遗留问题，通常我们用的解释器是官方实现的CPython，要真正利用多核，除非重写一个不带GIL的解释器。
所以，在Python中，可以使用多线程，但不要指望能有效利用多核。如果一定要通过多线程利用多核，那只能通过C扩展来实现，不过这样就失去了Python简单易用的特点。
不过，也不用过于担心，Python虽然不能利用多线程实现多核任务，但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁，互不影响。
所以，多线程（cpu密集型的任务）在python下面其实很鸡肋，因为无论创建多少线程，这些线程只会运行在一个核心上面。
举一个例子
#对于一个cpu密集型的任务，计算斐波那契数列。
#类别一：分别用两个线程 ，每一个各自计算一个fib（35）
#类别二：用一个单线程，计算两次fib（35）
#比较一下 他们两个谁更快？
import time
import threading
def profile(func):
def wrapper(* args ,**kwargs):
start =time.time()
func(*args,**kwargs)
end =time.time()
print ("COST : {}".format(end-start))
return wrapper
def fib(n):
if n <=2:
return 1
else:
return fib(n-1)+fib(n-2)
@profile
def has_thread():
threadlist=[]
threadlist.append(threading.Thread(target=fib,args=(35,)))
threadlist.append(threading.Thread(target=fib,args=(35,)))
for i in threadlist:
i.start()
for i in threadlist:
i.join()
@profile
def no_thread():
fib(35)
fib(35)
if __name__ == "__main__":
has_thread()
no_thread()
结果是，单线程比多线程还快：
原因是多线程以为gil的限制，并没有办法真正的并行，只是交替的占用cpu，同时在加上线程切换的开销。导致结果比单线程还差。
