paddleocr 做识别时，怎么让CPU多核都跑起来

在没有GPU机器时，普通的多核CPU，做ocr预测某个长PDF时，默认只使用一个核，有点慢， 已有的资源没用好。
这样设置：
from paddleocr import PaddleOCR
ocr_model = PaddleOCR(use_angle_cls=True, lang="ch", enable_mkldnn=True, cpu_threads=8)
而不是设置 use_mp和total_process_num。 这两个参数 在调用  tools/infer/predict_system.py时，会启动多进程，把需要处理的一串文件 分割成多个任务（image_file_list[args.process_id::args.total_process_num]），分别用total_process_num个进程处理。

注意后两个参数，会先判断enable_mkldnn， 为true才使用后面的cpu_threads
需要在实例化PaddleOCR时就设置好，不能：
ocr_model = PaddleOCR(use_angle_cls=True, lang="ch")
再在后面设置
ocr_model.args.enable_mkldnn=True
ocr_model.args.cpu_threads=4

enable_mkldnn=True后，接下来会走如下代码。
config.set_cpu_math_library_num_threads(args.cpu_threads)
则在后面调用C的部分计算时，能用到CPU的多核 加速计算。

另个，这个参数只能用于预测流程。训练流程用不了。在paddleocr里是这样。
虽然 看到一些mkldnn的介绍，在训练和预测流程中都能使用。另外加速的部分也可能只是所有计算中的一部分，不是最耗时的操作，那可能也看不到效果。

问了一下大模型：（参考）
enable_mkldnn这个参数，为什么只能在预测流程中使用，训练流程中不起作用？ 
参数"enable_mkldnn"是用于开启MKL-DNN（Math Kernel Library-DNN）加速的选项。MKL-DNN是一个开源的库，用于优化深度学习推理过程中的计算性能。
在预测流程中，我们仅需要执行模型的推理过程，而不需要进行梯度计算和参数更新，因此可以使用MKL-DNN来加速推理过程，提高预测速度和效率。
然而，在训练流程中，我们需要进行大量的反向传播和梯度更新，以优化模型的参数。MKL-DNN并不能提供在训练过程中所需的计算优化，因此"enable_mkldnn"参数在训练流程中无法起到作用。
总结来说，"enable_mkldnn"参数只能在预测流程中使用，因为它仅适用于优化推理过程的计算性能，而在训练过程中需要更复杂的计算操作，无法通过MKL-DNN进行加速。

------------------------------

看到一张图 有点意思：

你像哪种?  如果你实际月薪2k,心里想的是月薪5w的事，将来你有机会成为月薪5w的人。  
如果月薪1w的人想着月薪1w的事：凭运气得到的东西会凭实力还回去。有点高追求, 想点有意义的事吧!