Для CPU-bound задач в Python используют несколько подходов, чтобы обойти ограничения GIL (Global Interpreter Lock) и задействовать все ядра процессора: - **Мультипроцессинг (multiprocessing)** Создаёт отдельные процессы с собственным GIL, что позволяет использовать несколько ядер. ``` from multiprocessing import Pool def compute(x): return x * x if __name__ == '__main__': with Pool(4) as p: print(p.map(compute, range(10))) ``` - **Cython/Numba** Компиляция Python-кода в C или использование JIT-компиляции для ускорения вычислений. - **Нативные расширения (C/C++ через ctypes/CFFI)** Вынос критичных участков кода в модули на C/C++. - **concurrent.futures.ProcessPoolExecutor** Упрощённый интерфейс для работы с процессами. - **Специализированные библиотеки** (numpy, pandas, scipy) Их низкоуровневые операции уже оптимизированы под многопоточность. **Важно:** - Пул процессов создаёт накладные расходы на IPC (inter-process communication). - Для мелких задач мультипроцессинг может быть избыточным. - Альтернатива — асинхронность + вынос CPU-bound задач в отдельные воркеры (например, через Celery).