Ray（Python多进程）内存管理：并行视频处理指标与串行不一致问题

• 最核心的错误是远程方法传参错位：你调用self.process_video.remote()时额外传入了self作为第一个参数，Ray的类实例远程方法调用会自动绑定实例，不需要手动传self，多余的参数会导致process_video接收的所有入参顺序错位，计算逻辑完全不符合预期，自然得到错误的RMSE、PCC指标。multiprocessing.pool调用方法时你大概率没有多传该参数，因此结果正常。
• ray.wait用法错误：你传入了ids[0]作为等待对象，ids是所有任务返回的future列表，ids[0]是单个任务的多返回值future组，完全不符合wait的入参要求，不过你后续直接遍历ids获取结果，因此该问题不影响最终计算结果。
• 随机数种子未隔离设置：如果你的视频处理逻辑用到了随机操作（比如采样、dropout等），Ray的worker进程不会自动继承主进程的随机数种子，每个worker会生成独立的随机序列，导致和串行结果不一致。部分multiprocessing实现会默认继承主进程种子，因此结果一致。
• 类实例序列化异常：Ray调用类的远程方法时会序列化整个实例对象，如果你的类实例包含不可序列化的属性、或者依赖运行时动态生成的可变状态，序列化过程可能导致属性丢失/异常，进而影响计算结果。

1. 修复传参错误，删除remote调用中多余的self参数：

ids = [self.process_video.remote(v=v, dataset=dataset, m=m, verb=verb) for v in self.videoIdx]

2. （可选）修正ray.wait逻辑，传入完整的待等待任务列表：

not_ready = ids.copy()
while len(not_ready) != 0:
    ready, not_ready = ray.wait(not_ready, num_returns=12, timeout=None)

3. 在process_video函数开头显式设置所有用到的随机库的固定种子，保证随机行为和串行一致：

import random
import numpy as np
# 如使用PyTorch/TensorFlow也添加对应框架的种子设置
random.seed(42) # 和串行代码使用的种子保持一致
np.random.seed(42)

4. 调试阶段可开启Ray本地模式验证结果，单进程跑逻辑和串行完全一致，方便排查问题：

ray.init(num_cpus=8, local_mode=True)

5. 确保process_video不依赖外部可变的全局变量、类属性，所有需要的状态都作为入参传入，避免多进程状态不一致。

内容的提问来源于stack exchange，提问作者Arritmic