因为multiprocessing.Array仅支持ctypes基本类型，无法承载NumPy的shape、dtype等元数据，传np.ndarray会触发pickle序列化导致完整拷贝；正确做法是用shared_memory创建共享内存块，主进程写入数据，子进程通过shm.name和相同dtype/shape重建ndarray视图，实现零拷贝。
为什么 multiprocessing.Array 不能直接共享 NumPy 数组
因为 multiprocessing.Array 只支持 ctypes 基本类型（如 c_double、c_int32），无法原生承载 NumPy 的元数据（shape、dtype、strides）。直接传 np.ndarray 会触发序列化（pickle），导致完整拷贝——这正是你要避免的。
真正可行的路径是：绕过 pickle，让多个进程映射同一块物理内存，并各自用 NumPy 的 np.frombuffer() 或 np.memmap() 构造视图。
- 必须显式创建共享内存块（如 POSIX 共享内存或匿名 mmap）
- NumPy 数组需用
dtype和shape重新解释该内存，不能依赖 pickle 重建 - 注意字节序和对齐，尤其跨平台时
用 shared_memory 模块（Python 3.8+）零拷贝共享
shared_memory 是标准库中唯一能安全跨进程共享原始字节缓冲区的方案。它底层调用 shm_open()（Unix）或 CreateFileMapping()（Windows），不经过 Python 对象层。
关键步骤：
立即学习“Python免费学习笔记（深入）”；
- 主进程创建
SharedMemory实例，大小 =arr.nbytes - 用
np.ndarray(..., buffer=shm.buf)构造视图（不是 copy） - 子进程通过名称（
shm.name）打开同一块内存，再用相同dtype和shape重建视图 - 务必手动调用
shm.close()和shm.unlink()（仅创建者调用 unlink）
示例核心片段：
from multiprocessing import shared_memory import numpy as np <h1>主进程</h1><p>arr = np.random.random((10000, 10000)).astype(np.float32) shm = shared_memory.SharedMemory(create=True, size=arr.nbytes) shared_arr = np.ndarray(arr.shape, dtype=arr.dtype, buffer=shm.buf) shared_arr[:] = arr[:] # 复制数据进共享内存</p><h1>子进程（需传入 shm.name 和 shape/dtype）</h1><p>existing_shm = shared_memory.SharedMemory(name=shm.name) shared_arr_ro = np.ndarray(arr.shape, dtype=arr.dtype, buffer=existing_shm.buf)</p><h1>此时 shared_arr_ro 与 shared_arr 指向同一物理内存
Windows 下常见报错：FileNotFoundError: [Errno 2] No such file or directory
这是 shared_memory 在 Windows 上的典型坑：它依赖系统临时目录下的文件模拟共享内存，但子进程可能无权访问该路径，或父进程未正确设置 inheritable=True。
- 确保使用
multiprocessing.get_context('spawn')启动子进程（Windows 默认是 spawn，但显式声明更稳） - 不要在子进程中直接 new
SharedMemory并传create=True—— 必须由父进程创建，子进程只attach - 检查
tempfile.gettempdir()路径权限；若受限，可设环境变量TEMP指向有写权限的目录 - Linux/macOS 无此问题，因直接使用
/dev/shm
替代方案：np.memmap + 文件锁（兼容旧 Python 版本）
当无法升级到 Python 3.8+，或需持久化共享时，np.memmap 是最稳妥的降级选择。它把数组映射到磁盘文件，多个进程可同时读写同一文件路径。
- 用
mode='r+'打开已有文件，避免覆盖 - 写入前加
threading.Lock不够——需进程级锁，推荐filelock库或fcntl.flock()（Unix）/mmap.mmap(..., access=mmap.ACCESS_WRITE)配合msync - 注意：SSD 寿命和 I/O 延迟，纯内存场景下性能不如
shared_memory - 文件路径必须绝对且所有进程可达（如 NFS 要小心缓存一致性）
简单示意：
# 创建 memmap 文件（一次）
np.memmap('shared.dat', dtype='float32', mode='w+', shape=(10000,10000))
<h1>所有进程都这样打开（不加 'w'！）</h1><p>arr = np.memmap('shared.dat', dtype='float32', mode='r+', shape=(10000,10000))共享内存本身不带同步语义，shape/dtype 错一位、忘记 close/unlink、Windows 权限路径、多进程同时写而无锁——这些才是实际落地时最常卡住的地方。
