简介
这里需要明白的概念有：多核、多进程、多线程、并行计算、并发计算的区别。
什么是多核
在计算机设计早期，为了响应更多计算性能的需要，单处理器系统发展成为多处理器系统。更现代的、类似的系统设计趋势是将多个计算核放到单个芯片。无论多个计算核是在多个CPU芯片上还是在单个 CPU 芯片上，我们称之为多核或多处理器系统。
多进程
进程就是正在进行的一个程序或者任务，而负责执行任务的是CPU，执行任务的地方是内存。程序运行时的过程就是进程，同一个程序执行两次就是两个进程了。
并发与并行
并发和并行都是“同时”在工作，对于并发而言，是“伪并行”，即看起来是同时运行，其实是频繁更换CPU执行的程序代码，加之中间延迟很小，从我们的视角来看感觉就像是程序在同时运行；并行计算才是真正的同时计算，仅有多核才能是并行。
例子：你正在吃饭，电话响了
并发：放下筷子去接电话，接完电话然后继续吃饭
并行：一边接电话一边吃饭
并发： 当有多个线程在操作时,如果系统只有一个CPU,则它根本不可能真正同时进行一个以上的线程，它只能把CPU运行时间划分成若干个时间段,再将时间 段分配给各个线程执行，在一个时间段的线程代码运行时，其它线程处于挂起状。.这种方式我们称之为并发(Concurrent)。
并行： 当系统有一个以上CPU时,则线程的操作有可能非并发。当一个CPU执行一个线程时，另一个CPU可以执行另一个线程，两个线程互不抢占CPU资源，可以同时进行，这种方式我们称之为并行(Parallel)。
注意这里讨论的并行性和并发性的区别。并行系统可以同时执行多个任务。相比之下，并发系统支持多个任务，允许所有任务都能取得进展。因此，没有并行，并发也是可能的。
在 SMP 和多核架构出现之前，大多数计算机系统只有单个处理器。CPU 调度器通过快速切换系统内的进程，以便允许每个进程取得进展，从而提供并行假象。这些进程并发运行，而非并行运行。
随着系统线程数量从几十个到几千上万个，CPU 设计人员通过增加硬件来改善线程性能的提高系统性能。现代 Intel CPU 的每个核经常支持两个线程，而 Oracle T4 CPU 的每个核支持 8 个线程。这种支持意味着，可以将多个线程加载到处理核以便快速切换。毫无疑问，多核计算机将继续增加多核数量和硬件线程支持。
强烈注意： 多核，多cup，多机是不同的概念。
多线程编程提供机制，以便更有效地使用这些多个计算核和改进的并发性。考虑一个应用，它有 4 个线程。对于单核系统，并发仅仅意味着线程随着时间推移交错执行（图 1），因为处理核只能同一时间执行单个线程。
不过，对于多核系统，并发表示线程能够并行运行，因为系统可以为每个核分配一个单独线程（图 2）。
多进程是并行计算，多线程是并发计算。
线程与进程
线程： 是程序执行流的最小单元，是系统独立调度和分配CPU（独立运行）的基本单位。
进程： 是资源分配的基本单位。一个进程包括多个线程。
区别
1.线程与资源分配无关，它属于某一个进程，并与进程内的其他线程一起共享进程的资源。
2.每个进程都有自己一套独立的资源（数据），供其内的所有线程共享。
3.不论是大小，开销线程要更“轻量级”
4.一个进程内的线程通信比进程之间的通信更快速，有效。（因为共享变量）
多线程与多进程
多线程：同一时刻执行多个线程。用浏览器一边下载，一边听歌，一边看视频，一边看网页。。。
多进程：同时执行多个程序。如，同事运行YY，QQ，以及各种浏览器。
基于Matlab实现多线程运算
这里通常大家的电脑都是多核电脑了，自然希望同时执行多个程序的运算任务，这里就简介一下如何实现。
获取电脑核数、CPU数和GPU数量，知己知彼，如果是单核，也就没有多大必要设置这些了。也可以通过进程管理器查看，几个子窗口就是几核。
% 检查GPU数量
ngpus=gpuDeviceCount;
disp([num2str(ngpus) ' GPUs found'])
% 检查核心数量
ncores=feature('numCores');
disp([num2str(ncores) ' cores found'])
% 检查电脑CPU数量
import java.lang.*;
r=Runtime.getRuntime;
ncpus=r.availableProcessors;
disp([num2str(ncpus) ' cpus found'])
如果我们想要执行不同的程序或代码，方法有：
方法1：开多个Matlab（最直接） 由于Matlab软件体量大，不是特别适合，如果有四五个任务要执行，开四五个或更多的Matlab有点不是很现实。
方法2：把不同的程序写成 function ，分配给不同的task
方法3：把不同的程序写成 function ，利用parfor实现
利用 Matlab 进行并行计算时，还需要说明几个概念：
job : 即Matlab待完成的任务，job由一组 task（作业）组成。
task : 并行计算的基本单元，分配到Matlab worker执行
scheduler ：负责管理Matlab 提交的job, 分配 task 到每一个 worker
worker: 是指工作单元，数目一般小于等于 CPU的核数。lab是特殊的一个worker，lab之间可以进行数据通信。
例子1，官方例子：
t = createTask(j, F, N, {inputargs})
t = createTask(j, F, N, {C1,...,Cm})
首先创建一个工作，然后创建三个任务，三个任务都是调用rand函数生成随机数，三个任务的参数如后面的元包数组，要生成10x10 2x10 10x3的随机矩阵。
c = parcluster(); % Use default profile
j = createJob(c);
t = createTask(j, @rand, 1, {{10,10} {2,10} {10,3}});
submit(j);
wait(j);
taskoutput = fetchOutputs(j);
disp(taskoutput{1});
disp(taskoutput{2});
disp(taskoutput{3});
上述方法，也可以写成
c = parcluster(); % Use default profile
j = createJob(c);
createTask(j, @rand, 1, {10,10});
createTask(j, @rand, 1, {2,10});
createTask(j, @rand, 1, {10,3});
submit(j);
wait(j);
taskoutput = fetchOutputs(j);
disp(taskoutput{1});
disp(taskoutput{2});
disp(taskoutput{3});
还可以写成
c = parcluster(); % Use default profile
j = createJob(c);
pars = [10 10; 2 10; 10 3];
for i=1:3
createTask(j, @rand, 1, {pars(i,1),pars(i,2)});
end
submit(j);
wait(j);
taskoutput = fetchOutputs(j);
disp(taskoutput{1});
disp(taskoutput{2});
disp(taskoutput{3});
方法2，假设有两个以及以上不同函数需要同时执行，即两个或以上任务需要不同函数来实现。
function state = myplot(x,y)
plot(x,y)
state = 1;
print(gcf,'-dpng','-r300','myplot.png'])
end
function state = mytxt(A)
filename = 'mytxt.txt';%文件路径 + 文件名
file_id = fopen(filename,'a+');
for jj = 1:length(A)
fprintf(file_id,'%.4f
',A(jj));
end
fclose(file_id);
state = 1;
end
par = 1:50;
x=-100:-1:100;
y = x.^2;
c = parcluster('local');
j = createJob(c); %开启一个job
createTask(j,@myplot,1,{x,y});
createTask(j,@mytxt,1,{par});
get(j,'Tasks')
submit(j);
wait(j);
taskoutput = fetchOutputs(j);
disp(taskoutput{1});
例子3，上面的任务太小，假设两个任务都需要耗费许多时间。这个例子增加一些时间消耗，运行需要约20秒，设置了每次循环暂停1秒。
function state = mytxt(id)
file = fopen(['mytext_ ' num2str(id) '.txt'],'a+');
for i = 1:20
fprintf(file,'%.4f
',i);
pause(1)
end
fclose(file);
state = 1; %函数状态
end
c = parcluster();
j = createJob(c);
createTask(j,@mytxt,1,{{1},{2},{3}});
get(j,'Tasks')
submit(j);
wait(j);
taskoutput = fetchOutputs(j);
disp(taskoutput{1}); 获取进程的状态
disp(taskoutput{2});
disp(taskoutput{3});
性能简单比较，通过时间
tic
for i=1:3
mytxt(i)
end
toc
tic
c = parcluster();
j = createJob(c);
createTask(j,@mytxt,1,{{1},{2},{3}});
get(j,'Tasks')
submit(j);
wait(j);
taskoutput = fetchOutputs(j);
disp(taskoutput{1});
toc
方法3，此方法比较简单，使用方法如下，这个方法很简单且效率最高。
tic
parfor i=1:3
mytxt(i)
end
toc
历时 20.123471 秒。
Parfor与createJob createTask的差异
差异1： createJob createTask启动和时间消耗都是比Parfor更高，如果对于长时间耗时的工作该差别不会太明显，但是对于测试阶段该区别显而易见。究其原因如下：使用createJob和createTask时，每个任务都在单独的MATLAB进程中运行，与parfor循环相比，这花费了更多的时间来启动。
差异2： parfor不可以嵌套循环，比如不可以：
parfor i=1:n
parfor j=1:m
.....
end
end
当然可以通过实现将参数设置好，通过单循环获取参数进行并行运算。经过实际测试还是推荐parfor，该过程可以输出中间过程，如果有错误会终止运行，而createtask无法输出中间过程。
差异3： parfor如果有一个并行运算崩溃有可能导致整个运算结束。而createJob createTask则不会，关掉matlab进程还在运行。这一点createJob createTask还是比较有用的。
Matlab无法开启并行Parallel运算解决方法
在Mac mini m1上，经过本人测试，如果2019未安装network license manager工具箱，就会导致无法进行并行运算，安装后即可。对于2020版本，不知道什么原因始终不可以开启。Windows以及其它IOS系统没有遇到过这种情况。
总结
多个进程执行完毕后，会自动释放其内存。由于理解等上述内容可能有错误，欢迎指出共同学习进步。文章来源：https://www.toymoban.com/news/detail-764607.html
参考
https://www.cnblogs.com/purple5252/p/12957544.html
http://c.biancheng.net/view/1218.html
https://blog.csdn.net/weixin_44212633/article/details/111334042文章来源地址https://www.toymoban.com/news/detail-764607.html
到了这里，关于Matlab多核CPU并行和多线程的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
