Tensorflow不会使用tf.distribute.MirroredStrategy()检测多个CPU核心。

TensorFlow是一个开源的机器学习框架，tf.distribute.MirroredStrategy()是TensorFlow中用于分布式训练的策略之一。它可以在多个GPU上进行模型训练，但不支持多个CPU核心。

tf.distribute.MirroredStrategy()是一种数据并行的分布式策略，它通过在每个GPU上复制模型和数据来实现并行训练。每个GPU都独立地计算梯度，并使用同步方式将梯度聚合到主设备上进行参数更新。这种策略适用于单机多卡的训练场景。

然而，tf.distribute.MirroredStrategy()并不支持多个CPU核心的并行训练。如果想要在多个CPU核心上进行并行训练，可以考虑使用其他的分布式策略，如tf.distribute.experimental.MultiWorkerMirroredStrategy()或tf.distribute.experimental.TPUStrategy()。

tf.distribute.experimental.MultiWorkerMirroredStrategy()是一种多机多卡的分布式策略，它可以在多台机器上的多个GPU上进行并行训练。每个GPU都独立地计算梯度，并使用同步方式将梯度聚合到主设备上进行参数更新。这种策略适用于多机多卡的训练场景。

tf.distribute.experimental.TPUStrategy()是一种专门为Google的TPU（Tensor Processing Unit）设计的分布式策略，它可以在多个TPU上进行并行训练。类似于MirroredStrategy，每个TPU都独立地计算梯度，并使用同步方式将梯度聚合到主设备上进行参数更新。

总结起来，如果要在多个CPU核心上进行并行训练，可以考虑使用tf.distribute.experimental.MultiWorkerMirroredStrategy()或tf.distribute.experimental.TPUStrategy()。这些策略可以实现在多个设备上并行计算和参数更新，从而加速训练过程。

腾讯云提供了一系列与TensorFlow相关的产品和服务，包括云服务器、GPU实例、容器服务、AI推理服务等。您可以通过腾讯云官方网站（https://cloud.tencent.com/）了解更多关于这些产品的详细信息和使用指南。