我信赖，应当在更复杂的代码上对说话履行基准测试。Python 与 Julia 比较–一个来自机械进修的示例中供给了一个不错的示例。在该文┞仿中，Julia 似乎优于 Cython。如不雅我有时光，我会应用 Numba试一下。

在 Python 3 中，我们可以应用 functools 标准库来避免这些反复的计算。

结不雅为：

请留意，此代码应用了 Python 同时分派两个局部变量的才能。对它计时会获得：

对此函数计时会获得：

1000000 loops, best of 3:910 ns per loop 

速度又增长了 40 倍，比最初的 Python 代码快约 3,600 倍!推敲到我们仅向递归函数添加了一条注释，此结不雅异常令人难忘。

Python 2.7 中没有供给这种主动缓存。我们须要显式地转换代码，才能避免这种情况下的反复计算。

1000000 loops, best of 3:1.77 µs per loop 

我们又快了 20 倍!让我们在应用和不应用静态类型的情况下编译我们的函数。请留意，我们应用了 cdef 关键字来键入局部变量。

%%cython 
 
  
 
def fib_seq_cython(n): 
 
   if n < 2: 
 
        return n 
 
    a,b = 1,0 
 
    for i in range(n-1): 
 
        a,b = a+b,a 
 
    return a 
 
cpdef long fib_seq_cython_type(long n): 
 
    if n < 2: 
 
        return n 
 
    cdef long a,b 
 
    a,b = 1,0 
 
    for i in range(n-1): 
 
        a,b = a+b,b 
 
    return a 

我们可在一个单位中对两个版本计时：

%timeit fib_seq_cython(20) 
 
%timeit fib_seq_cython_type(20) 

1000000 loops, best of 3:953 ns per loop 
 
10000000 loops, best of 3:51.9 ns per loop 

静态类型代码如今花费的时光为 51.9 纳秒，比最初的基准测试快约 60,000(六万)倍。

如不雅我们想计算随便率性输入的 Fibonacci 数，我们应保持应用无类型版本，该版本的运行速度快 3,500 倍。还不错，对吧?

应用 Numba 编译

让我们应用另一个名为 Numba 的对象。它是针对部分 Python 版本的一个即时

(jit) 编译器。它不是对所有 Python 版本都实用，但在实用的情况下，它会带来事业。

def parse_int_vec(): 
 
    n = np.random.randint(0,2**32-1,1000) 
 
        for i in	
			
 3/11   首页 上一页 1 2 3 4 5 6 下一页 尾页
	
			

　　推荐阅读
　　云原生安全初创公司Aporeto融资1120万美元
            
            
            Aporeto是一家“云原生”的安然始创公司，旨在确保那些不受信的IT情况的安然性。该公司方才在A轮融资——也就是岁尾产品宣布之前——获得了>>>详细阅读


本文标题：如何让Python像Julia一样快地运行
地址：http://www.17bianji.com/lsqh/35343.html
 1/2    1