joblib.Parallel 必须用 delayed 包裹函数调用才能并行，因它不解析普通函数调用逻辑，只识别 delayed(func)(arg) 的延迟绑定形式；直接传函数和参数会报错或静默串行。
joblib.Parallel 能直接替代 concurrent.futures.ProcessPoolExecutor 做 CPU 密集型任务并行，但必须用 delayed 包裹函数调用，否则不生效。
为什么不能直接传函数和参数给 Parallel？
因为 Parallel 不解析函数调用逻辑，它只认 delayed(func)(arg) 这种“延迟绑定”形式。直接写 Parallel(...)(func, args) 会报 TypeError: 'function' object is not iterable 或静默串行执行。
常见错误写法：
from joblib import Parallel, delayed # ❌ 错误：这样不会并行，甚至可能报错 results = Parallel(n_jobs=4)(my_func, [1,2,3])
正确做法是用 delayed 显式构造任务列表：
立即学习“Python免费学习笔记（深入）”；
- 每个
delayed(my_func)(x)是一个待执行的“延迟调用对象” -
Parallel内部按需序列化、分发、反序列化结果 - 支持嵌套函数、lambda（但 lambda 在 Windows 上可能因 pickle 失败）
n_jobs 设多少才真正提升性能？
设成 -1 表示用满所有逻辑 CPU 核心，但不是越多越快——尤其当单个任务极轻量（如计算 math.sqrt(x)）时，进程启动/通信开销会压倒收益。
实操建议：
- 任务耗时 n_jobs=1 或改用 NumPy 向量化
- 任务耗时 > 100ms：可尝试
n_jobs=-1，再根据time.time()实测调整 - 内存敏感场景（如处理大数组）：加
max_nbytes=None避免 joblib 自动内存拷贝 - Windows 下子进程默认用
spawn启动，全局变量/未定义函数不可见，务必把任务函数定义在模块顶层
如何安全地共享只读数据（比如大模型或配置）？
joblib 不支持跨进程共享可变状态，但允许只读数据“隐式传递”——只要变量在函数作用域外定义且可被 pickle，delayed 会自动捕获闭包或模块级引用。
例如：
import numpy as np large_array = np.random.rand(10000, 1000) # 模块级定义 <p>def process_chunk(idx): return np.sum(large_array[idx<em>100:(idx+1)</em>100]) # 直接读取，不传参</p><p>results = Parallel(n_jobs=4)(delayed(process_chunk)(i) for i in range(100))
注意点：
- 避免在
delayed外部做耗时初始化（如反复加载文件），应提前提取为全局变量 - 若数据不可 pickle（如某些数据库连接、文件句柄），必须显式传参并用
loky后端 +initializer函数预热 -
verbose=10可输出调度日志，排查是否真并行
最易被忽略的是：joblib 的并行本质是多进程，所有任务函数必须能被主模块 import 到子进程中——这意味着 Jupyter notebook 里定义的函数在 Windows 上大概率失败，得挪到独立 .py 文件里再 import 使用。
