更新：為了節省您的時間，我直接在這里給出答案。如果你使用純Python編寫代碼， Python不能同時利用多CPU核心。但是Python在調用一些用C編寫的函數或包時可以同時利用多核，例如Numpy等。我聽說“ Python中的多線程并不是真正的多線程，因為有GIL ”。我還聽說“ Python多線程可以處理IO密集型任務而不是計算密集型任務，因為只有一個線程同時運行”。但我的經歷讓我重新思考這個問題。我的經驗表明，即使對于計算密集型任務，Python 多線程也可以幾乎很快地加速計算。（在使用多線程之前，運行以下程序花費了 300 秒，使用多線程之后，花費了 100 秒。）python下圖顯示，使用CPythonpackage編譯器創建了5個線程threading，幾乎cpu cores都是100%的百分比。我認為截圖可以證明5個cpu核心同時運行。那么有人可以給我解釋嗎？我可以在 python 中應用多線程來執行計算密集型任務嗎？或者在Python中可以同時運行多線程/核心嗎？我的代碼：import threadingimport timeimport numpy as npfrom scipy import interpolatenumber_list = list(range(10))def image_interpolation():    while True:        number = None        with threading.Lock():            if len(number_list):                number = number_list.pop()        if number is not None:            # Make a fake image - you can use yours.            image = np.ones((20000, 20000))            # Make your orig array (skipping the extra dimensions).            orig = np.random.rand(12800, 16000)            # Make its coordinates; x is horizontal.            x = np.linspace(0, image.shape[1], orig.shape[1])            y = np.linspace(0, image.shape[0], orig.shape[0])            # Make the interpolator function.            f = interpolate.interp2d(x, y, orig, kind='linear')        else:            return 1workers=5thd_list = []t1 = time.time()for i in range(workers):    thd = threading.Thread(target=image_interpolation)    thd.start()    thd_list.append(thd)for thd in thd_list:    thd.join()t2 = time.time()print("total time cost with multithreading: " + str(t2-t1))number_list = list(range(10))for i in range(10):    image_interpolation()t3 = time.time()print("total time cost without multithreading: " + str(t3-t2))輸出是：total time cost with multithreading: 112.71922039985657total time cost without multithreading: 328.45561170578003