并行计算的两种方式：
- 步骤并行：将一个计算公式拆解为多个计算步骤，为每一个步骤作为一个独立的协程计算
- 数据并行：将原始数据拆分成多个的较小的数据单元，为每一个数据单元作为一个独立的协程计算,最后再合并数据
数据并行： 可以解决原始数据庞大的计算，将数据拆分成单个较小的数据集，利用CPU多个核心，同时计算，最后对数据进行合并。最大效率的利用CPU的多核心特征
步骤并行： 可以解决拆解复杂的计算，减少上一个计算等待上一个计算的输出的时间或者减少由于IO带来的CPU空闲时间，高效率的利用CPU。
我认为在日常的学习和工作中，根据任务情况、业务场景，单独使用（使用其中一种），或者组合使用（同时使用），这两种并行的方法，，可以提高程序对硬件资源的利用率。
案例1（数据庞大，计算简单）：
从数据库表中取出两个字段的数据A，B进行计算,即\(\sum_i^{n} A_i*B_i\)，其实有10亿条数据。如果单纯的一次从数据库中读出来，然后再进行计算，这是一种非常消耗时间和内存的操作。那么我们改怎么解决这个问题呢？
分析一些我们的业务需求。我们是读取大量数据，然后\(\sum_i^{n} A_i*B_i\)比较简单的计算。首先，一次性读取10亿条数据，肯定是不可取的，我们得通过异步的方式读取
A和B的数据，然后因为是大量数据，所以我们数据并行的方式计算。
伪代码：
var sum float32
for{
tData<-data//data是一个chan，从data中异步读取数据
go func(){
for _,value:=tData{
sum+= value.a*value.b
}
}()
}
案例2（数据庞大，计算复杂）：
从数据库表中取出两个字段的数据A，B进行计算,即\(\sum_i^{n} A_i*B_i+\sum_i^n A_i^{B_i}+B_i^{A_i}\)，其实有10亿条数据。如果单纯的一次从数据库中读出来，然后再进行计算，这是一种非常消耗时间和内存的操作。那么我们改怎么解决这个问题呢？
分析一些我们的业务需求。我们是读取大量数据，然后\(\sum_i^{n} A_i*B_i\)比较简单的计算。首先，一次性读取10亿条数据，肯定是不可取的，我们得通过异步的方式读取
A和B的数据，然后因为是大量数据，所以我们数据并行的方式计算。
伪代码：
var sum float32
step1Out := make(chan float32,100)
step2Out := make(chan float32,100)
out := make(chan float32,100)
for{
//data是一个chan，从data中异步读取数据
go step1(data,step1Out)//step1 = \sum_i^{n} A_i*B_i
go step1(data,step2Out)//step2 = \sum_i^n A_i^{B_i}+B_i^{A_i}
go finalStep(step1Out,step2Out,out)//sum = step1+step2
}