職場では、コードの高速化の最適化の問題に直面することがよくあります.この記事では、いくつかのPython
一般的な高速化手法を紹介します.
最適化の原則:
1. 最初にコードが正しく実行できることを確認してから、パフォーマンスの最適化を実行します.
2. 最適化の選択は、通常、時間のためにスペースを犠牲にすることであるため、コストを比較検討する必要があります.
3. 時間の最適化に焦点を当てる-コードの一部を消費し、全体的な最適化は通常、コードの可読性を低下させます
0 時間のかかるデコレータを定義する
# 可监控程序运行时间
import time
def clock(func):
def wrapper(*args, **kwargs):
start_time = time.time()
result = func(*args, **kwargs)
end_time = time.time()
print("共耗时: %s秒" % round(end_time - start_time, 2))
return result
return wrapper
1 グローバル変数の使用を避ける
start_time = time.time()
size = 10000
for x in range(size):
for y in range(size):
z = x * y
end_time = time.time()
print('共耗时:%s秒' % round(end_time - start_time, 2))
# 共耗时:11.78秒,不推荐
# 使用局部变量
@clock
def multiplication():
size = 10000
for x in range(size):
for y in range(size):
z = x * y
multiplication()
# 共耗时: 5.5秒,提速50%
2 メソッド(関数)のプロパティへのアクセスを避け、from X import X を利用してみる
import math
@clock
def computeSqrt():
result = []
for i in range(10000000):
# math方法访问sqrt属性
result.append(math.sqrt(i))
computeSqrt()
# 不推荐,共耗时: 2.09秒
# 使用from X import X,直接访问sqrt
from math import sqrt
@clock
def computeSqrt():
result = []
for i in range(10000000):
result.append(sqrt(i))
computeSqrt()
# 推荐,共耗时: 1.75秒
[1] で、ローカル変数のルックアップはグローバル変数よりも高速になると述べたので、頻繁にアクセスされる変数についてはappend
、ローカル変数に変更すると処理が高速化されます。
from math import sqrt
@clock
def computeSqrt():
result = []
# 赋值给局部变量
append = result.append
for i in range(10000000):
append(sqrt(i))
computeSqrt()
# 推荐,共耗时: 1.45秒
3 トラバーサルの最適化
# 使用while进行遍历
@clock
def circulate():
i = 0
li = []
append = li.append
while i < 10000000:
append(i*2)
i += 1
return li
circulate()
# 不推荐,共耗时:1.48秒
@clock
def circulate():
li = []
append = li.append
# 使用for代替while
for i in range(10000000):
append(i*2)
return li
circulate()
# for优于while,共耗时:1.09秒
@clock
def circulate():
# 使用列表推导式
return [i*2 for i in range(10000000)]
circulate()
# 推荐列表推导式,共耗时:0.88秒。但不适用于复杂计算。
4 内部 for ループの計算を減らす
from math import sqrt
@clock
def inner():
size = 10000
for x in range(size):
for y in range(size):
# 相当于在重复计算sqrt(x)
z = sqrt(x) + sqrt(y)
inner()
# 不推荐,共耗时:19.00秒
from math import sqrt
@clock
def inner():
size = 10000
for x in range(size):
# 只计算一次sqrt(x),然后将它存了起来
sqrt_x = sqrt(x)
for y in range(size):
z = sqrt_x + sqrt(y)
inner()
# 推荐,共耗时:10.22秒
5Numpy
データ型を使った操作
Numpy
最下層はでC语言
実装されており、このスクリプト言語はこのコンパイル済み言語Python
と比較しC/C++
て効率とパフォーマンスの点で当然不利であるため、Numpy
計算を実行する前にデータの型変換を実行するパッケージを導入できます。
import numpy as np
li = [i for i in range(10000000)]
@clock
def npSpeed():
# 使用Python方法
sum(li)
npSpeed()
# 共耗时0.79秒
import numpy as np
li = np.array([i for i in range(100000000)])
@clock
def npSpeed():
# 使用Numpy方法
np.sum(li)
npSpeed()
# 共耗时0.11秒,速度约是Python的8倍
Numpy
データ量が多いほどメリットが顕著になります。そのため、機械学習や深層学習のプロジェクト タスクでNumpy
非常に頻繁に使用されます。
AI 深層学習関連のその他の乾物は、公式アカウントで入手できます: AI には温度があります