您的代码失败，因为它不能 pickle 实例方法 (self.cal)，当您通过将多个进程映射到 multiprocessing.Pool 来生成多个进程时，Python 会尝试这样做（嗯，有一种方法可以这样做，但它太复杂了，而且无论如何都不是非常有用） - 因为没有共享内存访问，它必须“打包”数据并将其发送到生成的进程进行解包。如果您尝试腌制 a 实例，也会发生同样的情况。
multiprocessing 包中唯一可用的共享内存访问是鲜为人知的multiprocessing.pool.ThreadPool，所以如果你真的想这样做：
from multiprocessing.pool import ThreadPool
class A():
def __init__(self, vl):
self.vl = vl
def cal(self, nb):
return nb * self.vl
def run(self, dt):
t = ThreadPool(processes=4)
rs = t.map(self.cal, dt)
t.close()
return rs
a = A(2)
print(a.run(list(range(10))))
# prints: [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
但这不会为您提供并行化，因为它本质上映射到您可以访问共享内存的常规线程。您应该传递类/静态方法（如果您需要调用它们）以及您希望它们使用的数据（在您的情况下为self.vl）。如果您需要跨进程共享该数据，则必须使用一些共享内存抽象，例如multiprocessing.Value，当然还要应用互斥锁。
更新
我说你可以做到（有些模块或多或少正在这样做，例如检查pathos.multiprocessing）但我认为这不值得——当你到了必须这样做的地步时欺骗你的系统做你想做的事，很可能你要么使用了错误的系统，要么你应该重新考虑你的设计。但为了了解情况，这里有一种方法可以在多处理设置中执行您想要的操作：
import sys
from multiprocessing import Pool
def parallel_call(params): # a helper for calling 'remote' instances
cls = getattr(sys.modules[__name__], params[0]) # get our class type
instance = cls.__new__(cls) # create a new instance without invoking __init__
instance.__dict__ = params[1] # apply the passed state to the new instance
method = getattr(instance, params[2]) # get the requested method
args = params[3] if isinstance(params[3], (list, tuple)) else [params[3]]
return method(*args) # expand arguments, call our method and return the result
class A(object):
def __init__(self, vl):
self.vl = vl
def cal(self, nb):
return nb * self.vl
def run(self, dt):
t = Pool(processes=4)
rs = t.map(parallel_call, self.prepare_call("cal", dt))
t.close()
return rs
def prepare_call(self, name, args): # creates a 'remote call' package for each argument
for arg in args:
yield [self.__class__.__name__, self.__dict__, name, arg]
if __name__ == "__main__": # important protection for cross-platform use
a = A(2)
print(a.run(list(range(10))))
# prints: [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
我认为它的工作原理很容易解释，但简而言之，它将你的类的名称、它的当前状态（无信号，tho）、要调用的所需方法和调用它的参数传递给 @987654332 @ 为Pool 中的每个进程调用的函数。 Python 会自动腌制和取消腌制所有这些数据，因此 parallel_call 需要做的就是重建原始对象，在其中找到所需的方法并使用提供的参数调用它。
这样，我们只传递数据而不尝试传递活动对象，因此 Python 不会抱怨（好吧，在这种情况下，尝试将实例方法的引用添加到类参数中，看看会发生什么）和一切工作得很好。
如果您想更深入地使用“魔法”，您可以让它看起来与您的代码完全相同（创建您自己的 Pool 处理程序，从函数中获取名称并将名称发送到实际进程等）但是这应该为您的示例提供足够的功能。
但是，在您提高希望之前，请记住，这仅在共享“静态”实例（一旦您开始在多处理上下文中调用它就不会改变其初始状态的实例）时有效。如果A.cal 方法要更改vl 属性的内部状态 - 它只会影响它更改的实例（除非它在调用之间调用Pool 的主实例中发生更改）。如果你也想共享状态，你可以升级parallel_call调用后获取instance.__dict__并与方法调用结果一起返回，然后在调用端你必须更新本地@987654341 @用返回的数据改变原来的状态。这还不够——您实际上必须创建一个共享 dict 并处理所有 mutex 人员，以便所有进程同时访问它（您可以为此使用 multiprocessing.Manager）。
所以，正如我所说，麻烦多于其价值......