为何Multiprocessing测试Cython优化代码时耗时未达预期？

• 多进程启动与通信开销抵消优化收益
  Python的multiprocessing模块创建子进程时，每个进程都要单独初始化Python解释器、加载Cython编译后的模块。对于仅4.9秒左右的单任务来说，这个启动开销占比极高。如果测试中涉及进程间数据传递（比如返回计算结果），IPC通信的额外开销会进一步压缩并行收益，最终导致总耗时和串行测试差距极小。

• 任务拆分逻辑不合理
  从串行数据看，纯Python版耗时4.92秒，Cython优化版仅耗时约0.76秒（5.68-4.92）。如果并行测试是让两个进程分别跑这两个函数，那么快的进程完成后会一直等待慢的纯Python任务，整体耗时仍由最慢的任务主导，再加上进程启动开销，自然和串行总耗时接近。正确的并行思路应该是把同一个大计算任务拆分成多个子任务，用Cython优化后的函数并行处理，而非让两个不同效率的函数并行执行。

• Cython代码可能未充分释放GIL
  若你的Cython代码没有通过nogil声明释放全局解释器锁，单进程内的计算效率会受GIL限制，无法充分利用CPU多核。虽然多进程本身每个进程有独立GIL，但单进程内的计算瓶颈会间接拉低并行的整体加速效果。

• 测试场景的误差与局限性
  单次测试的系统负载波动（比如后台进程占用CPU）会导致耗时误差。另外，如果素数查找的数值范围太小，Cython的优化优势和并行的加速效果都难以体现，建议扩大计算范围后多次测试取平均值。

内容的提问来源于stack exchange，提问作者0Interest