multiprocessing：Python 如何绕过 GIL 使用多核

做的事：同一个CPU密集任务，三种跑法

一个纯计算函数（循环3000万次累加平方），分别用单线程串行、2线程并发、2进程并发跑两遍。

代码def cpu_bound(n): x = 0 for i in range(n): x += i * i return x N = 30_000_000 # 单线程串行跑2遍 / 2个threading.Thread并发跑 / 2个multiprocessing.Process并发跑

验证：2个线程并发，耗时跟单线程没区别

本机10核CPU，理论上2个线程应该能提速接近2倍。

结果单线程串行跑2遍: 耗时 2.3180s 2个线程并发跑(threading): 耗时 2.3669s ← 跟单线程几乎一样，甚至略慢！ 2个进程并发跑(multiprocessing): 耗时 1.1651s ← 提速约2倍 本机CPU核心数: 10

结果很直接：2个线程"并发"执行CPU密集计算，耗时(2.3669s)跟单线程串行(2.3180s)几乎一样，完全没有利用上多核——这就是GIL（全局解释器锁）的效果：同一时刻，只允许一个线程执行Python字节码，哪怕你开了10个线程、本机有10个核心，纯计算型代码也只能有一个线程在跑，其它线程都在等这把锁。

换成2个独立的进程，耗时降到1.1651s，接近理论上的2倍提速——因为每个进程都有自己独立的Python解释器和GIL，互不干扰，能同时用上2个CPU核心。

分步演示：GIL是怎么锁住线程、又是怎么锁不住进程的

每一步都是本文上面在10核CPU上跑出来的原始耗时。