hadoop框架会在多个内核可用时自动利用它们。您不必自己进行并行编程，这实际上是hadoop的卖点之一：只需编写一次作业，而不必担心线程同步逻辑，然后根据集群的配置，它将尽可能多地使用所有内核。
例如，假设您有一个作业在一个多TB的数据集上运行，在计算拆分之后，需要运行100个任务。现在，如果您想在10个m1.small节点（只有1个核心）上运行作业，那么集群的容量将是一次10个任务（每个节点1个任务）。但是，如果您想在10个m1.large节点（2 x 2个核心）上运行它，那么一次将有40个任务的容量，因此您的作业将比使用相同数量的m1.small的作业快大约4倍，因为它将利用额外的核心。
另外，我听说有人在hadoop上使用cuda（这里有一些信息），amazon有一些集群gpu示例，所以在这种情况下，您也可以利用gpu。
底线是，当使用hadoop时，你应该根据内核的数量而不是机器的数量来推理。显然，您希望找到一个好的折衷方案，我在过去见过一个集群，其中每个节点都有很多核心，但磁盘i/o不是很好，因此这在集群中造成了很多争用，我们必须减少每个节点的最大任务数（您可以通过参数在hadoop配置中控制） mapred.tasktracker.map.tasks.maximum 以及 mapred.tasktracker.reduce.tasks.maximum ).
我个人发现m1.xlarge示例在一些hadoop集群中工作得非常好，而高cpu的示例对我来说造成了太多的磁盘争用。