可选择的方案：
来写的 Jupyter Notebook 兼容版本 示例。
✅ 方法一：使用 pathos.multiprocessing（Jupyter友好）
python
from pathos.multiprocessing import ProcessingPool as Pool
from tqdm import tqdm
def 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 Image
img = 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）
python
from joblib import Parallel, delayed
from tqdm import tqdm
def process_image(img_path, output_path):
from PIL import Image
img = 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：
bash
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 |