更新：为了节省您的时间，我直接在这里给出答案。如果你使用纯Python编写代码， Python不能同时利用多CPU核心。但是Python在调用一些用C编写的函数或包时可以同时利用多核，例如Numpy等。我听说“ Python中的多线程并不是真正的多线程，因为有GIL ”。我还听说“ Python多线程可以处理IO密集型任务而不是计算密集型任务，因为只有一个线程同时运行”。但我的经历让我重新思考这个问题。我的经验表明，即使对于计算密集型任务，Python 多线程也可以几乎很快地加速计算。（在使用多线程之前，运行以下程序花费了 300 秒，使用多线程之后，花费了 100 秒。）python下图显示，使用CPythonpackage编译器创建了5个线程threading，几乎cpu cores都是100%的百分比。我认为截图可以证明5个cpu核心同时运行。那么有人可以给我解释吗？我可以在 python 中应用多线程来执行计算密集型任务吗？或者在Python中可以同时运行多线程/核心吗？我的代码：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))输出是：total time cost with multithreading: 112.71922039985657total time cost without multithreading: 328.45561170578003