python 标准库 `multiprocessing.pool` 按进程数分配资源，而非按核心数；若需“每进程独占 n 核”，需手动控制进程数并配合 cpu 绑定（如 `taskset` 或 `psutil`），而非依赖内置 api。

Python 的 multiprocessing.Pool 本身不提供“每进程分配 N 个 CPU 核心”的原生接口——它的第一个参数 processes 表示启动多少个独立进程，而非为每个进程预留多少逻辑核心。操作系统调度器负责将这些进程映射到可用 CPU 上，但默认不保证隔离或独占。所谓“N 核每进程”，本质是资源编排需求，需结合进程数量控制与 CPU 亲和性（CPU affinity）手动实现。

✅ 正确做法：两步协同控制

1. 计算合理进程数：若系统共有 TOTAL_CORES 个逻辑核心，每个任务理想占用 N_CORES_PER_PROCESS 核，且需为父进程保留 reserve_cores（如 2 核），则应设置：

   import multiprocessing as mp
   TOTAL_CORES = mp.cpu_count()  # e.g., 16
   N_CORES_PER_PROCESS = 2
   reserve_cores = 2
   processes = max(1, (TOTAL_CORES - reserve_cores) // N_CORES_PER_PROCESS)  # e.g., (16-2)//2 = 
   7

2. 在子进程中绑定 CPU 核心（关键！）：使用 psutil 或 os.sched_setaffinity（Linux/macOS）限制每个 worker 进程仅运行在指定核心集合上。示例（Linux）：

   import psutil
   import os
   
   def bind_to_cores(core_ids):
       """将当前进程绑定到 core_ids 指定的核心列表"""
       try:
           p = psutil.Process()
           p.cpu_affinity(core_ids)
       except (psutil.AccessDenied, AttributeError, NotImplementedError):
           pass  # 忽略无权限或平台不支持的情况
   
   def worker_init(core_range):
       # 每个 worker 初始化时绑定一组连续核心，例如 [0,1], [2,3], ...
       start = core_range[0]
       end = core_range[1]
       bind_to_cores(list(range(start, end)))
   
   # 构建核心分组：[[0,1], [2,3], ..., [12,13]]
   core_groups = [
       [i, i + N_CORES_PER_PROCESS] 
       for i in range(0, processes * N_CORES_PER_PROCESS, N_CORES_PER_PROCESS)
   ]
   
   with mp.Pool(
       processes=processes,
       initializer=worker_init,
       initargs=(core_groups[0],)  # 注意：实际需为每个进程动态分配不同组 → 需用更健壮方式（见下文）
   ) as pool:
       results = pool.map(func, range(10000))

⚠️ 注意：initializer 对所有 worker 执行同一份参数，无法自动区分进程 ID。更可靠的方式是使用 concurrent.futures.ProcessPoolExecutor 自定义 mp.Process 子类，或借助 loky（joblib 后端）等高级库支持 per-worker 初始化。

✅ 推荐替代方案：使用 joblib（简洁 & 生产就绪）

joblib.Parallel 内置对 CPU 绑定的支持（通过 backend='loky' + prefer='processes'），并允许显式控制核心分配策略：

from joblib import Parallel, delayed
import os

# 设置环境变量（Linux/macOS），让子进程自动绑定
os.environ['OMP_NUM_THREADS'] = '1'
os.environ['OPENBLAS_NUM_THREADS'] = '1'

# 使用 loky backend 并显式指定 n_jobs
results = Parallel(
    n_jobs=7,  # = (16-2)//2
    backend='loky',
    prefer='processes'
)(delayed(func)(x) for x in range(10000))

? 总结

• ❌ multiprocessing.cool_new_pool(...) 不存在，也不应被设计为标准接口——核心分配属于系统级调度范畴；
• ✅ 真实可控路径 = 限制进程数 + 进程内 CPU 亲和性绑定；
• ✅ 生产环境优先选用 joblib 或 dask.distributed，它们封装了跨平台绑定、内存管理与错误恢复；
• ? 最后提醒：强制绑定可能降低调度灵活性，在 I/O 密集或负载不均场景下反而降低吞吐，务必结合实际性能测试验证。