Python multiprocessing 模块提供了在单个计算机的多个 CPU 核上运行并行计算的能力。多进程并行计算是将一个任务分解成多个小任务并将这些小任务同时计算，以加速完成整个任务的时间。

下面是使用 Python multiprocessing 模块进行多进程并行计算的完整攻略：

1. 导入模块

首先需要导入 multiprocessing 模块。

import multiprocessing

2. 创建进程池

在进行多进程并行计算时，可以创建一个进程池来管理进程。通过创建进程池，可以避免频繁地创建和销毁进程的开销。

pool = multiprocessing.Pool(processes=num_processes)

其中，num_processes 表示进程池中进程的数量。一般来说，将进程池中进程的数量设置为机器 CPU 核心的数量可以获得最佳的性能。

3. 定义计算函数

在进行多进程并行计算时，需要定义计算函数，用于对数据进行并行计算。计算函数需要接受一个参数，并返回计算结果。

def compute(data):
    # 计算 data 的结果
    return result

其中，data 为需要计算的数据。

4. 将数据分组

在创建进程池之后，需要将需要计算的数据分组。将数据分组后，可以将每组数据提交给进程池中的进程进行并行计算。

grouped_data = [[data1, data2, ...], [data3, data4, ...], ...]

5. 提交任务

将分组后的数据提交给进程池中的进程进行并行计算。

results = pool.map(compute, grouped_data)

其中，compute 是计算函数，grouped_data 是分组后的数据，results 是计算结果。

示例 1

下面是一个示例，用于计算一个列表中所有数的平方。

import multiprocessing

def compute_square(num):
    return num ** 2

if __name__ == '__main__':
    data = [1, 2, 3, 4, 5]
    pool = multiprocessing.Pool(processes=multiprocessing.cpu_count())
    results = pool.map(compute_square, data)
    print(results)

输出结果为：

[1, 4, 9, 16, 25]

示例 2

下面是一个示例，用于计算一个矩阵的转置。

import multiprocessing

def transpose(matrix):
    return [[matrix[i][j] for i in range(len(matrix))] for j in range(len(matrix[0]))]

if __name__ == '__main__':
    matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
    pool = multiprocessing.Pool(processes=multiprocessing.cpu_count())
    results = pool.apply_async(transpose, (matrix,))
    transposed_matrix = results.get()
    print(transposed_matrix)

输出结果为：

[[1, 4, 7], [2, 5, 8], [3, 6, 9]]

在示例 2 中，我们使用 apply_async 方法提交任务，可以获得一个 AsyncResult 对象，通过调用该对象的 get 方法，可以获得计算结果。