使用multiprocessing调用Keras推理时触发TypeError：numpy.ndarray不可调用

嘿，我一下子就发现你代码里的问题啦！

错误原因 #

你写的这段代码：

worker_process = mp.Process(target=small_model.predict(x_test[0:1]))
worker_process.start()

犯了一个很典型的错误——你直接执行了small_model.predict()方法，把它的返回值传给了Process的target参数。但multiprocessing.Process要求target必须是一个可调用的对象（比如函数、方法），而不是函数执行后的结果，这就直接触发了TypeError。

正确写法 #

这里给你两种可行的修正方案：

方案1：用lambda包装调用逻辑

这种方式比较简洁，适合简单场景：

worker_process = mp.Process(target=lambda: small_model.predict(x_test[0:1]))
worker_process.start()

lambda表达式会把predict调用包装成一个可调用对象，传给target，子进程启动时才会执行这个推理操作。

方案2：定义独立任务函数（更推荐）

把推理逻辑封装成单独的函数，再通过args传递参数，可读性和扩展性更好：

def run_inference(model, test_data):
    model.predict(test_data)

# 注意args是元组，哪怕只有一个参数也要加逗号
worker_process = mp.Process(target=run_inference, args=(small_model, x_test[0:1]))
worker_process.start()

额外注意事项（Keras多进程坑点） #

如果用TensorFlow作为Keras后端，直接在主进程创建模型再传给子进程可能会遇到序列化问题——因为TensorFlow的计算图很难跨进程传递。更稳定的做法是在子进程内部加载模型：

def run_inference(test_data):
    # 子进程内加载模型，避免跨进程序列化问题
    from keras.models import load_model
    small_model = load_model("your_trained_model.h5")
    small_model.predict(test_data)

worker_process = mp.Process(target=run_inference, args=(x_test[0:1],))
worker_process.start()

这样主进程和子进程各自维护独立的TensorFlow会话，能避免很多奇怪的报错。

内容的提问来源于stack exchange，提问作者Philip O'Brien