【jupyter 使用多进程方案】

可选择的方案：

1. ✅ pathos.multiprocessing
2. ✅ joblib.Parallel

来写的 Jupyter Notebook 兼容版本 示例。

---

✅ 方法一：使用 pathos.multiprocessing（Jupyter友好）

from pathos.multiprocessing import ProcessingPool as Pool
from tqdm import tqdmdef process_image(img_path, output_path):# 你的图像处理逻辑，比如保存图像到 output_path# 示例代码如下（请根据你实际处理内容修改）：from PIL import Imageimg = Image.open(img_path)img.save(output_path)return output_path# 构造参数列表（每个是一个元组）
args = [(img_path, output_path / img_path.name) for img_path in img_paths]# 初始化 Pool 并并行处理
pool = Pool()  # 默认使用 CPU 核心数# tqdm 不支持 map 直接用，写成 list
results = list(tqdm(pool.uimap(lambda args: process_image(*args), args), total=len(args)))

🔑 特点：

• 支持在 Jupyter 中直接运行；
• 不需要 if __name__ == "__main__"；
• 支持传多个参数（通过 *args 拆包）；
• 使用 uimap() 可以有 tqdm 进度条（imap 带顺序，map 会等全部完成）。

---

✅ 方法二：使用 joblib.Parallel（适合CPU密集，稳定）

from joblib import Parallel, delayed
from tqdm import tqdmdef process_image(img_path, output_path):from PIL import Imageimg = Image.open(img_path)img.save(output_path)return output_path# tqdm 进度条用在参数上
results = Parallel(n_jobs=-1)(delayed(process_image)(img_path, output_path / img_path.name)for img_path in tqdm(img_paths)
)

🔑 特点：

• n_jobs=-1 表示使用所有可用核心；
• 同样支持多个参数；
• 在 Jupyter 运行稳定，依赖 loky 后端；
• 避免了 pickle 报错。

---

📦 安装依赖

如果你没有安装 pathos 或 joblib：

pip install pathos joblib

---

✅ 总结对比

特性	pathos	joblib
Jupyter兼容	✅	✅
多参数传递	✅（tuple 拆包）	✅（delayed(f)(...)）
支持 tqdm	✅（配合 uimap）	✅（在 for 循环外）
稳定性/文档支持	中（社区较活跃）	高（广泛用于 sklearn 等）
推荐使用场景	函数自由写、调试方便	大批量 CPU 密集任务