cpu_count
In [1]: from multiprocessing import cpu_count
In [2]: print(cpu_count())
56
Pickle
将任务分发到多个进程时，进程之间不共享内存，需要序列化object来传递消息（使用pickle）
Process
所有进程都放在内存中，FIFO (先进先出) 执行。若有挂起则安排新进程执行。
Pool
Pool是我最常用的工具之一，用于构建进程池并发执行多个计算任务。使用时要尽量使任务均匀，每个任务耗费的资源差不多。Pool使用FIFO将任务分配到处理器，有点像map-reduce。将输入映射到不同的处理器上，然后收集输出。所有任务执行完毕后，返回list或者array。执行中的进程在内存中，其余不在内存中。
p = mp.Pool(num_workers)
p.map(func, args, chunksize)
这里的func必须是可被pickle的object, chunksize是每次分发到每个worker的任务数量，chunksize越大，memory消耗越多, 但是如果iterable很大的话，chunksize大有助于加速。map会阻塞当前进程直到函数运行完成。
除了map之外，也可以使用apply和apply_async。Pool.apply有点像python的apply，只是是在另外一个进程中调用。 apply会阻塞直到函数运行结束。apply_async则马上返回结果--一个AsyncResult对象，使用get可以提取函数运行结果。get会阻塞直到函数运行完成。
map是保序的，apply_async则不行。
Multiprocessing的问题
- 无法处理静态方法，类内方法，匿名函数，难以pickle
- 函数参数
pathos.multiprocessing用dill替代了pickle，可以缓存一些pickle无法序列话的object, 详见pathos
