只有被@ray.remote修饰的函数才会被调度到远程worker执行；必须是纯函数、显式导入依赖、不直接remote类方法，而需修饰整个类后实例化。
Ray 能显著加速 CPU 密集型任务，但对简单 I/O 或小计算量任务反而拖慢；关键不在“用不用 Ray”，而在“哪些函数该 remote、怎么传参、资源怎么配”。
哪些函数必须加 @ray.remote？
只有被 @ray.remote 修饰的函数才会被调度到远程 worker 执行。普通函数调用仍走本地 Python 解释器，不触发分布式。
- 必须是纯函数（无副作用、不依赖全局状态），否则结果不可预测
- 不能引用未导入的模块——Ray worker 是独立进程，需在函数内显式
import - 类方法不能直接 remote；要 remote 类，得用
@ray.remote修饰整个类，再调用.remote()实例化
示例：
@ray.remote
def process_chunk(data):
import numpy as np # 必须在函数内 import
return np.sum(data ** 2)
<h1>错误写法：没加 @ray.remote，仍是本地同步执行</h1><p>def bad_func(x): return x + 1
</p>
ray.get() 和 ray.wait() 什么时候用？
ray.get() 是阻塞式取结果，适合你明确需要返回值且不介意等待；ray.wait() 是非阻塞式探针，适合批量提交后按完成顺序处理，避免空等。
- 连续调用多次
ray.get([obj1, obj2, ...])等价于等最慢那个，不是并行取 - 若想“谁先算完就先处理”，用
ray.wait(remaining_refs, num_returns=1)拿第一个完成的 ID，再ray.get()取值 - 忘记调用
ray.get()就永远拿不到结果——对象 ID 不是值本身
常见错误现象：ObjectRef(...) 被打印出来却没报错，其实是忘了 ray.get()。
CPU 资源不够时，num_cpus= 设多少才不排队？
Ray 默认每个 task 请求 1 个 CPU slot。如果集群总 CPU 数为 8，而你提交 10 个 @ray.remote(num_cpus=1) 任务，后 2 个会排队，直到有 slot 空闲。
- 小任务（如每次处理几百条记录）可设
num_cpus=0.1，提高并发密度 - 内存吃紧的任务，要同时加
memory=...，否则可能因 OOM 被杀而无提示 - 本地测试时，
ray.init(num_cpus=4)是起点；不指定则默认用os.cpu_count()，容易挤占本机交互响应
注意：num_cpus 是逻辑配额，不是硬绑定——它只影响调度排队，不隔离 CPU 核心。
为什么 ray.put() 和 ray.get() 配合大数组很慢？
因为 ray.put() 默认把对象序列化后存入共享内存（Plasma store），但大 NumPy 数组若未用 copy=False 或未预分配，会触发深拷贝+多次内存复制。
- 传大数组优先用
ray.put(arr, buffer_callback=...)或直接传路径（让 worker 自己加载） - 更稳的做法：把数据存在磁盘或对象存储（S3 / Redis），task 内只传路径或 key
-
ray.put()返回的是ObjectRef，不是数据本身；反复ray.get(ref)不重算，但每次仍走一次共享内存读取路径
容易被忽略的地方：Ray 的对象序列化（cloudpickle）对自定义类支持有限，含文件句柄、线程锁、CUDA 张量的对象无法跨进程传递——这类必须拆成纯数据+重建逻辑。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
