python 的 `multiprocessing.pool` 本身不支持“每进程分配 n 个核心”的语义，但可通过合理设置进程数、结合 `psutil` 或 `os.sched_setaffinity` 实现核心资源的逻辑隔离与高效复用。
在实际高性能计算或 CPU 密集型任务中，开发者有时希望每个子进程独占固定数量的 CPU 核心（例如：2 核/进程），以避免线程争抢、缓存抖动或 NUMA 不均衡等问题。然而，标准 multiprocessing.Pool 的构造参数 processes= 仅指定并发进程数，而非底层 CPU 资源配额——操作系统调度器仍可能将多个进程调度到同一组核心上，无法保证严格的资源隔离。
✅ 正确思路是：将“N 核/进程”转化为“总核数 ÷ N 核/进程 = 最大安全进程数”，再配合 CPU 亲和性（CPU affinity）进行显式绑定。
例如，若系统有 TOTAL_CORES = 16，要求每个工作进程独占 N_CORES_PER_PROCESS = 2 核，且需为父进程预留 2 核，则最大可用工作进程数为：
import os
TOTAL_CORES = os.cpu_count() or 16
N_CORES_PER_PROCESS = 2
RESERVED_CORES = 2 # 父进程及系统开销预留
MAX_PROCESSES = max(1, (TOTAL_CORES - RESERVED_CORES) // N_CORES_PER_PROCESS)
with multiprocessing.Pool(processes=MAX_PROCESSES) as pool:
results = pool.map(func, range(10000))⚠️ 但仅控制进程数还不够——为真正实现“每进程绑定特定核心”，推荐在子进程中调用 os.sched_setaffinity()（Linux/macOS）或使用 psutil.Process().cpu_affinity()（跨平台）：
立即学习“Python免费学习笔记（深入）”；
import multiprocessing
import os
import psutil
def worker_init(core_ids):
"""子进程初始化：绑定指定 CPU 核心列表"""
try:
psutil.Process().cpu_affinity(core_ids)
except (psutil.AccessDenied, AttributeError, OSError):
# Windows 不支持 cpu_affinity；或权限不足时降级处理
pass
def func(x):
return x ** 2
if __name__ == "__main__":
TOTAL_CORES = os.cpu_count()
N_CORES_PER_PROCESS = 2
# 划分核心组：[[0,1], [2,3], ..., [8,9]]（假设 TOTAL_CORES >= 10）
core_groups = [list(range(i, min(i + N_CORES_PER_PROCESS, TOTAL_CORES)))
for i in range(0, TOTAL_CORES, N_CORES_PER_PROCESS)]
# 启动 Pool，每个进程初始化时绑定一组核心
with multiprocessing.Pool(
processes=len(core_groups),
initializer=worker_init,
initargs=(core_groups[0],) # 注意：此处需动态传入每组核心 —— 实际需用更灵活方式（见下文）
) as pool:
# ⚠️ 上述 initargs 是静态的；如需每进程绑定不同核心组，推荐使用 concurrent.futures + ProcessPoolExecutor 自定义启动逻辑
pass? 更健壮的实践方案（推荐）：
使用 concurrent.futures.ProcessPoolExecutor 配合自定义 mp_context 和 initializer，或借助第三方库如 loky（joblib 默认后端，支持自动 CPU 分组）或 threadpoolctl 控制底层 BLAS/OpenMP 线程数，避免多层并行嵌套冲突。
? 总结：
- multiprocessing.Pool 没有 cool_new_pool，但可通过 进程数缩放 + CPU 亲和性绑定 实现等效效果；
- 核心分配是逻辑策略，非硬性内核限制，需结合 OS 调度特性设计；
- 生产环境建议搭配 psutil 做运行时核心探测与绑定，并增加异常回退逻辑；
- 若任务本身含 OpenMP/NumPy 多线程，务必用 threadpoolctl 限制其线程数，防止“每个进程又开 N 线程”，导致超订（oversubscription）。
