在 Python 中，我们可以使用 multiprocessing 模块来实现多进程并行计算。通过将不同的数据和不同的模型分配到不同的进程中，可以使得它们独立地在不同的核上运行。

下面是一个简单的示例代码，演示了如何使用 multiprocessing 模块来实现多进程并行计算：

import multiprocessing

def run_model(model, data):
    result = model(data)
    return result

if __name__ == '__main__':
    # 创建进程池
    pool = multiprocessing.Pool()

    # 模型列表
    models = [model1, model2, model3]

    # 数据列表
    data = [data1, data2, data3]

    # 运行模型并获取结果
    results = [pool.apply_async(run_model, args=(model, data)) for model, data in zip(models, data)]
    results = [r.get() for r in results]

    # 关闭进程池
    pool.close()
    pool.join()

    # 处理结果
    # ...

在上面的代码中，我们首先定义了一个 run_model 函数，用于在进程中运行模型并返回结果。然后，我们创建了一个进程池，使用 Pool 类来管理多个进程，进程池的大小默认为 CPU 核心数。接着，我们定义了模型列表和数据列表，其中每个模型和数据一一对应。然后，我们使用 zip 函数将每个模型和数据组合在一起，然后使用 apply_async 方法将每个模型和数据作为参数传递给 run_model 函数并在进程中运行。最后，我们使用 get 方法获取每个进程的结果，并将结果保存在一个列表中。最后，我们关闭进程池并处理结果。

需要注意的是，在使用 multiprocessing 模块时，需要将代码放在 if __name__ == '__main__': 语句块中，以避免进程启动时出现错误。此外，使用多进程并行计算时，需要考虑数据和模型之间的通信和同步问题，以避免进程之间出现竞争条件和死锁等问题。