必须加if __name__ == '__main__'，否则Windows下DataLoader的num_workers>0会因spawn机制导致子进程重复执行顶层代码而无限递归崩溃。
必须加 if __name__ == '__main__'，否则 Windows 下任何 DataLoader 的 num_workers > 0 都会崩溃。
为什么 RuntimeError: DataLoader worker (pid(s)) exited unexpectedly 一定出现在 Windows？
因为 Windows 不支持 fork，Python 多进程只能用 spawn：子进程启动时会重新导入整个 .py 文件，从头执行所有顶层代码。如果 DataLoader 创建、train() 调用、甚至 print() 都写在模块顶层，子进程就会重复执行——触发无限 spawn 或找不到函数定义。
常见错误模式包括：
- 脚本末尾直接调用
train()，没包进函数 - 在 Jupyter Notebook 的 cell 里直接跑
multiprocessing相关代码（__name__是'__console__'，不是'__main__'） - 自定义
Dataset类里用了未序列化的对象（如 OpenCV VideoCapture、未关闭的文件句柄）
if __name__ == '__main__' 怎么写才真正生效？
不是“加了就行”，要确保所有多进程相关逻辑都严格包裹在该判断内，且不能有任何顶层执行语句干扰子进程初始化。
立即学习“Python免费学习笔记（深入）”；
正确结构示例：
import torch from torch.utils.data import DataLoader, TensorDataset <p>class MyDataset(TensorDataset): def <strong>init</strong>(self, <em>args): super().<strong>init</strong>(</em>args)</p><h1>✅ 安全：初始化只在主模块导入时执行一次</h1><p>def main(): dataset = MyDataset(torch.randn(1000, 3), torch.randint(0, 2, (1000,))) loader = DataLoader(dataset, batch_size=32, num_workers=4) # ✅ 在函数内创建 for x, y in loader: pass # 训练逻辑</p><p>if <strong>name</strong> == '<strong>main</strong>': main() # ✅ 唯一入口，子进程不会执行这行
容易被忽略的点：
-
torch.multiprocessing.set_start_method('spawn', force=True)在某些旧环境或混合 CUDA 场景下仍需显式加在if __name__ == '__main__'开头 - Spyder / VS Code Python 插件调试时，若直接右键“运行 Python 文件”，可能绕过保护；建议终端执行
python train.py - 使用
torch.compile或DDP时，if __name__ == '__main__'仍是前提，否则 DDP 初始化会与 DataLoader 冲突
为什么设 num_workers=0 能“临时”跑通？
它绕过了 spawn 机制，退化为单进程同步加载：数据预处理和模型训练串行执行，不涉及跨进程状态传递，自然避开 CUDA 上下文继承失败、pickle 失败、全局变量重入等问题。
但代价明显：
- GPU 利用率骤降（实测常低于 50%），尤其当
__getitem__含图像解码、几何变换等 CPU 密集操作时 - 验证阶段更容易暴露问题——因为验证通常无梯度计算，CPU 成为瓶颈更突出
- 无法 scale 到大 batch 或复杂 pipeline，是掩盖问题，不是解决问题
真正关键的不是“能不能跑”，而是“有没有把多进程初始化逻辑彻底隔离”。Windows 下漏掉哪怕一个顶层 print、一个未封装的 DataLoader 实例，都可能让子进程卡死在导入阶段——而错误堆栈往往不显示源头，只报 worker exit，这点最易被忽略。
