python 标准库的 `multiprocessing.pool` 按进程数而非核心数配置，并不直接支持“每个工作进程独占 n 个核心”的语义；但可通过合理计算进程数量、结合系统级绑核（如 `psutil` 或 `taskset`）实现等效效果。
在 Python 多进程编程中，multiprocessing.Pool 的构造参数 processes 表示启动多少个独立进程，而非“为每个进程分配多少逻辑核心”。操作系统内核负责将这些进程调度到可用 CPU 上，因此默认情况下，多个进程可能竞争同一组核心，无法保证资源隔离或并行带宽。
若你希望每个工作进程稳定占用 N_CORES_PER_PROCESS 个逻辑核心（例如运行 OpenMP 或 NumPy 多线程计算），关键在于两点：
- 控制并发进程数：确保总核心数 ≥ 进程数 × 每进程所需核心数；
- 显式绑定进程到指定 CPU 集合（CPU affinity），避免跨核迁移与争抢。
✅ 正确做法示例（10 核总资源，每进程固定占 2 核）：
import multiprocessing as mp
import os
import psutil # pip install psutil
def bind_to_cores(cores):
"""将当前进程绑定到指定 CPU 核心列表"""
p = psutil.Process()
p.cpu_affinity(cores)
def worker_init(assigned_cores):
"""Pool 初始化函数：为每个 worker 绑定专属核心"""
bind_to_cores(assigned_cores)
def func(x):
return x ** 2
if __name__ == "__main__":
TOTAL_CORES = 10
N_CORES_PER_PROCESS = 2
RESERVED_CORES = 2 # 为主进程保留 2 核（可选）
# 计算最大安全工作进程数
available_cores = TOTAL_CORES - RESERVED_CORES
n_workers = max(1, available_cores // N_CORES_PER_PROCESS) # e.g., (10-2)//2 = 4
# 划分核心：为每个 worker 分配互斥的 core slice
core_slices = [
list(range(i * N_CORES_PER_PROCESS, (i + 1) * N_CORES_PER_PROCESS))
for i in range(n_workers)
]
# 创建 Pool，传入对应核心集合作为初始化参数
with mp.Pool(
processes=n_workers,
initializer=worker_init,
initargs=(core_slices[0],) # 注意：此处需动态适配，实际推荐用 concurrent.futures + ProcessPoolExecutor + 自定义启动
) as pool:
# ⚠️ 标准 Pool 不支持 per-worker initargs 变量传递，更稳健方案见下方
results = pool.map(func, range(10000))⚠️ 注意：multiprocessing.Pool 的 initargs 对所有 worker 是静态统一的，无法为每个 worker 指定不同核心集。因此，生产环境推荐使用 concurrent.futures.ProcessPoolExecutor 配合自定义进程类，或借助第三方库如 loky（支持更灵活的资源感知调度）。
立即学习“Python免费学习笔记（深入）”；
? 更健壮的替代方案（推荐）：
from concurrent.futures import ProcessPoolExecutor
import psutil
def bound_worker(task_args, cpu_ids):
bind_to_cores(cpu_ids) # 先绑核
x, = task_args
return x ** 2
if __name__ == "__main__":
TOTAL_CORES = 10
N_PER = 2
n_workers = (TOTAL_CORES - 2) // N_PER
core_groups = [list(range(i*N_PER, (i+1)*N_PER)) for i in range(n_workers)]
tasks = [(i,) for i in range(10000)]
with ProcessPoolExecutor(max_workers=n_workers) as executor:
# 手动分发任务 + 核心组
futures = [
executor.submit(bound_worker, task, core_groups[i % n_workers])
for i, task in enumerate(tasks)
]
results = [f.result() for f in futures]? 总结：
- Python 无原生 cool_new_pool，因核心是 OS 调度资源，非 Python 运行时硬约束；
- 真正的“N 核/进程”需靠 进程数控制 + CPU 亲和性绑定 协同实现；
- 优先使用 psutil.Process().cpu_affinity() 实现绑核，避免 os.sched_setaffinity 的平台限制；
- 对计算密集型混合多线程任务（如调用 BLAS/OpenMP），务必关闭其内部线程池（如设置 OMP_NUM_THREADS=1, OPENBLAS_NUM_THREADS=1），否则会破坏核心配额。
