最近进行数据预处理时（噪声插入），单进程严重影响实验周期，故学习了multiprocessing并发执行不同数据集的处理，加快执行效率。现于此进行一些简单记录以供日后参考。
1. 基础：
From multiprocessing import Pool # 引入进程池Pool
with Pool(20) as p: # 建立进程池p，其大小为20。
p.map(f, in_argv) # 将in_argv中的参数投入f中，执行函数f
解释一下p.map(f, in_argv)，这个函数的作用即将f函数投入进程池p中进行执行，每个进程取一个in_argv作为shell的参数，然后开始执行。
所有的f返回值都会被返回到一个list中，即可以通过
p_l = p.map(f, in_argv) # p_l是个list 其中装有所有f的返回值 似乎是按着in_argv的顺序写入的？
来接收所有不同参数下的返回值。在有多个返回值时以一个tuple形式组织这些返回值
2. 小trick
(1) . 多参数输入
每次f中会取出in_argv这个list中的一个元素，这个元素可以是个tuple。所以将多个要输入的参数写进tuple中，再放入list传到函数中。函数从tuple中分别取各个参数即可。
即如：
in_argv= [(5, "test"), (6, "test"), (8, "test"), (10, "test"), (12, "test"), (5, "train"),
(6, "train"),(8, "train"), (10, "train"), (12, "train")]
解析时：
denominator = in_tuple[0] # 5,6,8,10,12
type= in_tuple[1] # test/train
(2) . 多函数种类
由于我对于不同目标的数据预处理写了不同的函数，一开始我尝试的是
with Pool(20) as p:
p.map(f, in_argv_f)
p.map(g, in_argv_g)
但是这种情况下，一定会先执行完 p.map(f, in_argv_f) 再执行 p.map(g, in_argv_g)，即使in_argv_f中并没有20个参数。
所以就需要将f、g合并成一个函数,我选择的是写出一个shell函数
def shell(in_tuple)：
if in_tuple in in_argv_f:
f(in_tuple)
else
g(in_tuple)
with Pool(20) as p:
p.map(shell, in_argv)
即可多函数种类地并行执行
(3) . 注意慢的放前面，快的放后面
不同的函数不同的输入都会导致运行效率的不同。为了整体的运行更快，应当在制作in_argv时将耗时高的尽量放在前面。例如较大的数据集，较大工作量的处理方式，都应该放前面优先执行。
（悄悄放张爽图）
