Python多线程在深度学习中主要用于I/O密集型任务（如数据加载、预处理），而非CPU密集型训练；PyTorch DataLoader（num_workers>0）是首选，可提升GPU利用率；自定义多线程仅适用于实时数据流或异步操作，需规避CUDA上下文和内存问题。
Python中多线程在深度学习里其实用得不多——因为GIL（全局解释器锁）会让CPU密集型任务（比如模型训练、矩阵运算）几乎无法通过多线程加速。真正该用多线程的地方，是数据加载、文件读取、预处理等I/O密集型环节。
什么时候该用多线程？
深度学习流程中，GPU训练时经常“等数据”：CPU从磁盘读图、解码、增强、归一化……这些操作不占GPU，但拖慢整体吞吐。这时候用多线程提前准备下一批数据，能显著提升GPU利用率。
- 读取大量图片/音频/文本文件
- 做图像resize、color jitter、随机裁剪等CPU操作
- 从数据库或网络接口批量拉取样本（如自定义Dataset）
- 训练中同时保存日志、验证、备份模型（非核心训练流）
PyTorch DataLoader 是最常用也最安全的选择
别自己手写 threading —— PyTorch 的 DataLoader 内置了多进程（num_workers > 0）和线程协同机制，对I/O瓶颈优化极好。虽然叫“多进程”，但它底层会配合线程调度I/O任务，且规避了GIL影响。
关键参数建议：
立即学习“Python免费学习笔记（深入）”；
-
num_workers=4到8（根据CPU核心数调整，太多反而因上下文切换变慢） -
pin_memory=True：把tensor锁页内存，加快GPU传输（尤其配合CUDA） -
prefetch_factor=2（PyTorch ≥1.7）：每个worker预取多少batch，减少空闲等待
示例：
train_loader = DataLoader(dataset, batch_size=32, shuffle=True,
num_workers=4, pin_memory=True, prefetch_factor=2)
自己写多线程？只在特殊场景下考虑
比如你有一个实时数据源（摄像头流、传感器）、要边采样边训练，或者需要异步触发评估/上传。这时可用 threading.Thread 或 concurrent.futures.ThreadPoolExecutor，但注意：
- 避免在线程里调用
torch.cuda.*（CUDA上下文不跨线程安全） - 用
queue.Queue做线程间数据传递，比全局变量+锁更可靠 - 别让线程长期占用Python对象（如未释放的PIL Image），容易引发内存堆积
简单例子（异步保存检查点）：
from concurrent.futures import ThreadPoolExecutorexecutor = ThreadPoolExecutor(max_workers=1)
def save_model_async(model, path):
torch.save(model.state_dict(), path)
# 训练循环中触发
if epoch % 10 == 0:
executor.submit(save_model_async, model, f"ckpt_{epoch}.pth")
多线程 ≠ 多进程，别混淆
想真正并行跑多个模型训练？那得用 multi-processing（如 torch.multiprocessing 或 subprocess），每个进程有独立Python解释器和CUDA上下文。多线程只适合“喂数据”“记日志”“监控”这类轻量协作任务。
一句话总结：GPU训练靠GPU，数据流水靠多线程（或更推荐的DataLoader），模型并行靠多进程。
基本上就这些。不复杂，但容易忽略——关键是分清任务类型，把线程用在刀刃上。
