Hướng dẫn what is the fastest python? - con trăn nhanh nhất là gì?

Cài đặt

Hệ điều hành của bạn có thể đã cung cấp gói Pypy. Ví dụ, trên macOS, bạn có thể cài đặt nó với sự trợ giúp của homebrew:

Nếu không, bạn có thể tải xuống một nhị phân được xây dựng sẵn cho hệ điều hành và kiến ​​trúc của bạn. Khi bạn hoàn thành tải xuống, nó chỉ là vấn đề giải nén tệp tarball hoặc zip. Sau đó, bạn có thể thực hiện PYPY mà không cần phải cài đặt nó ở bất cứ đâu:

$ tar xf pypy3.6-v7.3.1-osx64.tar.bz2 $ ./pypy3.6-v7.3.1-osx64/bin/pypy3 Python 3.6.9 (?, Jul 19 2020, 21:37:06) [PyPy 7.3.1 with GCC 4.2.1] Type "help", "copyright", "credits" or "license" for more information.

Trước khi thực thi mã ở trên, bạn cần ở bên trong thư mục nơi bạn đã tải xuống nhị phân. Tham khảo tài liệu cài đặt để biết hướng dẫn đầy đủ.

Pypy trong hành động

Bây giờ bạn đã cài đặt Pypy và bạn đã sẵn sàng để xem nó hoạt động! Để làm điều đó, hãy tạo một tệp Python có tên script.py và đặt mã sau trong đó:

1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}")

Đây là một tập lệnh, trong hai vòng lặp for lồng nhau, thêm các số từ 1 vào 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 0 và in kết quả.

Để xem mất bao lâu để chạy tập lệnh này, chỉnh sửa nó để thêm các dòng được tô sáng:

1import time 2 3start_time = time.time() 4 5total = 0 6for i in range(1, 10000): 7 for j in range(1, 10000): 8 total += i + j 9 10print(f"The result is {total}") 11 12end_time = time.time() 13print(f"It took {end_time-start_time:.2f} seconds to compute")

Mã hiện thực hiện các hành động sau:

• Dòng 3 tiết kiệm thời gian hiện tại cho biến 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 1. saves the current time to the variable 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 1.
• Dòng 5 đến 8 chạy các vòng. run the loops.
• Dòng 10 in kết quả. prints the result.
• Dòng 12 tiết kiệm thời gian hiện tại cho 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 2. saves the current time to 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 2.
• Dòng 13 in sự khác biệt giữa 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 1 và 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 2 để hiển thị bao lâu để chạy kịch bản. prints the difference between 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 1 and 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 2 to show how long it took to run the script.

Hãy thử chạy nó với Python. Đây là những gì tôi nhận được trên MacBook Pro 2015 của mình:

$ python3.6 script.py The result is 999800010000 It took 20.66 seconds to compute

Bây giờ hãy chạy nó với Pypy:

$ pypy3 script.py The result is 999800010000 It took 0.22 seconds to compute

Trong điểm chuẩn tổng hợp nhỏ này, Pypy nhanh gấp khoảng 94 lần Python!

Để có điểm chuẩn nghiêm trọng hơn, bạn có thể xem trung tâm tốc độ Pypy, nơi các nhà phát triển chạy điểm chuẩn hàng đêm với các tệp thực thi khác nhau.

Hãy nhớ rằng PYPY ảnh hưởng đến hiệu suất của mã của bạn phụ thuộc vào những gì mã của bạn đang làm. Có một số tình huống trong đó Pypy thực sự chậm hơn, như bạn sẽ thấy sau. Tuy nhiên, ở mức trung bình hình học, nó nhanh gấp 4,3 lần Python.

Trình biên dịch chỉ trong thời gian (JIT)

Trước khi vào phần tổng hợp của JIT, hãy để Lùi lại một bước và xem xét các thuộc tính của các ngôn ngữ được biên dịch như C và các ngôn ngữ được giải thích như JavaScript.

Các ngôn ngữ lập trình được biên dịch có hiệu suất hơn nhưng khó chuyển sang các kiến ​​trúc và hệ điều hành CPU khác nhau. Các ngôn ngữ lập trình được giải thích là di động hơn, nhưng hiệu suất của chúng tồi tệ hơn nhiều so với các ngôn ngữ được biên dịch. Đây là hai thái cực của quang phổ. programming languages are more performant but are harder to port to different CPU architectures and operating systems. Interpreted programming languages are more portable, but their performance is much worse than that of compiled languages. These are the two extremes of the spectrum.

Sau đó, có các ngôn ngữ lập trình như Python thực hiện một sự pha trộn của cả tổng hợp và giải thích. Cụ thể, Python lần đầu tiên được biên dịch thành một mã byte trung gian, sau đó được giải thích bởi CPython. Điều này làm cho mã hoạt động tốt hơn mã được viết bằng ngôn ngữ lập trình được giải thích thuần túy và nó duy trì lợi thế tính di động.intermediate bytecode, which is then interpreted by CPython. This makes the code perform better than code written in a purely interpreted programming language, and it maintains the portability advantage.

Tuy nhiên, hiệu suất vẫn không ở đâu gần phiên bản được biên dịch. Lý do là mã được biên dịch có thể thực hiện rất nhiều tối ưu hóa mà chỉ có thể có với mã byte.

Đó là nơi mà trình biên dịch chỉ trong thời gian (JIT) xuất hiện. Nó cố gắng có được các phần tốt hơn của cả hai thế giới bằng cách thực hiện một số biên dịch thực sự vào mã máy và một số cách giải thích. Tóm lại, đây là các bước mà JIT biên dịch thực hiện để cung cấp hiệu suất nhanh hơn:just-in-time (JIT) compiler comes in. It tries to get the better parts of the both worlds by doing some real compilation into machine code and some interpretation. In a nutshell, here are the steps JIT compilation takes to provide faster performance:

1. Xác định các thành phần được sử dụng thường xuyên nhất của mã, chẳng hạn như hàm trong vòng lặp.
2. Chuyển đổi các bộ phận đó thành mã máy trong thời gian chạy.
3. Tối ưu hóa mã máy được tạo.
4. Trao đổi triển khai trước đó với phiên bản mã máy được tối ưu hóa.

Bạn có nhớ hai vòng lồng nhau ở đầu hướng dẫn không? PYPY phát hiện ra rằng cùng một hoạt động đã được thực thi nhiều lần, biên dịch nó thành mã máy, tối ưu hóa mã máy và sau đó đổi các triển khai. Đó là lý do tại sao bạn thấy một sự cải thiện lớn như vậy về tốc độ.

Thu gom rác thải

Bất cứ khi nào bạn tạo các biến, chức năng hoặc bất kỳ đối tượng nào khác, máy tính của bạn sẽ phân bổ bộ nhớ cho chúng. Cuối cùng, một số đối tượng đó sẽ không còn cần thiết. Nếu bạn không làm sạch chúng, thì máy tính của bạn có thể hết bộ nhớ và làm hỏng chương trình của bạn.

Trong các ngôn ngữ lập trình như C và C ++, bạn thường phải giải quyết vấn đề này theo cách thủ công. Các ngôn ngữ lập trình khác như Python và Java tự động làm điều đó cho bạn. Điều này được gọi là bộ sưu tập rác tự động, và có một số kỹ thuật để hoàn thành nó.automatic garbage collection, and there are several techniques for accomplishing it.

Cpython sử dụng một kỹ thuật gọi là đếm tham chiếu. Về cơ bản, số lượng tham chiếu của đối tượng Python được tăng lên bất cứ khi nào đối tượng được tham chiếu và nó đã giảm khi đối tượng bị hủy bỏ. Khi số lượng tham chiếu bằng 0, CPython sẽ tự động gọi chức năng phân giải bộ nhớ cho đối tượng đó. Nó có một kỹ thuật đơn giản và hiệu quả, nhưng có một điều bắt được.

Khi số lượng tham chiếu của một cây đối tượng lớn trở thành 0, tất cả các đối tượng liên quan đều được giải phóng. Do đó, bạn có một khoảng dừng dài có khả năng trong đó chương trình của bạn không tiến triển.

Ngoài ra, có một trường hợp sử dụng trong đó đếm tham chiếu chỉ đơn giản là không hoạt động. Xem xét mã sau:

1class A(object): 2 pass 3 4a = A() 5a.some_property = a 6del a

Trong mã trên, bạn xác định lớp mới. Sau đó, bạn tạo một thể hiện của lớp và gán nó là một thuộc tính trên chính nó. Cuối cùng, bạn xóa thể hiện.

Tại thời điểm này, trường hợp không còn có thể truy cập được. Tuy nhiên, việc đếm tham chiếu không xóa phiên bản khỏi bộ nhớ vì nó có một tham chiếu đến chính nó, vì vậy số lượng tham chiếu không bằng không. Vấn đề này được gọi là một chu kỳ tham chiếu và nó có thể được giải quyết bằng cách sử dụng đếm tham chiếu.reference cycle, and it can’t be solved using reference counting.

Đây là nơi Cpython sử dụng một công cụ khác được gọi là Trình thu thập rác tuần hoàn. Nó đi qua tất cả các đối tượng trong bộ nhớ bắt đầu từ các gốc đã biết như đối tượng 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 5. Sau đó, nó xác định tất cả các đối tượng có thể tiếp cận và giải phóng các đối tượng không thể truy cập được vì chúng còn sống nữa. Điều này giải quyết vấn đề chu kỳ tham chiếu. Tuy nhiên, nó có thể tạo ra các tạm dừng đáng chú ý hơn khi có một số lượng lớn các đối tượng trong bộ nhớ.

Pypy, mặt khác, không sử dụng đếm tham chiếu. Thay vào đó, nó chỉ sử dụng kỹ thuật thứ hai, công cụ tìm chu kỳ. Đó là, nó định kỳ đi qua các vật thể sống bắt đầu từ gốc rễ. Điều này mang lại cho PYPY một số lợi thế so với Cpython vì nó không bận tâm đến việc đếm tham chiếu, làm cho tổng thời gian dành cho quản lý bộ nhớ ít hơn trong CPython.

Ngoài ra, thay vì làm mọi thứ trong một công việc chính như Cpython, Pypy chia công việc thành một số lượng khác nhau và chạy mỗi mảnh cho đến khi không còn lại. Cách tiếp cận này chỉ thêm vài mili giây sau mỗi bộ sưu tập nhỏ thay vì thêm hàng trăm mili giây trong một lần như Cpython.

Bộ sưu tập rác rất phức tạp và có nhiều chi tiết hơn vượt ra ngoài phạm vi của hướng dẫn này. Bạn có thể tìm thêm thông tin về bộ sưu tập rác Pypy trong tài liệu.

Nó không hoạt động tốt với các phần mở rộng C

Pypy hoạt động tốt nhất với các ứng dụng Python thuần túy. Bất cứ khi nào bạn sử dụng mô -đun mở rộng C, nó sẽ chạy chậm hơn nhiều so với CPYThon. Lý do là Pypy có thể tối ưu hóa các mô -đun mở rộng C vì chúng không được hỗ trợ đầy đủ. Ngoài ra, PYPY phải mô phỏng việc đếm tham chiếu cho phần đó của mã, làm cho nó thậm chí chậm hơn.

Trong những trường hợp như vậy, nhóm PYPY khuyên bạn nên lấy phần mở rộng CPython và thay thế nó bằng phiên bản Python thuần túy để JIT có thể xem nó và thực hiện tối ưu hóa của nó. Nếu đó không phải là một tùy chọn, thì bạn sẽ phải sử dụng Cpython.

Với điều đó đã được nói, nhóm cốt lõi đang làm việc trên các phần mở rộng C. Một số gói đã được chuyển đến Pypy và hoạt động nhanh như vậy.

Nó chỉ hoạt động tốt với các chương trình dài

Hãy tưởng tượng bạn muốn đến một cửa hàng rất gần nhà của bạn. Bạn có thể đi bộ hoặc lái xe.

Chiếc xe của bạn rõ ràng nhanh hơn nhiều so với bàn chân của bạn. Tuy nhiên, hãy nghĩ về những gì nó sẽ yêu cầu bạn làm:

1. Đi đến nhà để xe của bạn.
2. Bắt đầu xe của bạn.
3. Làm ấm chiếc xe lên một chút.
4. Lái xe đến cửa hàng.
5. Tìm một chỗ đậu xe.
6. Lặp lại quá trình trên đường trở về.

Có rất nhiều chi phí liên quan đến việc lái xe, và nó không phải lúc nào cũng xứng đáng nếu nơi bạn muốn đến gần!

Bây giờ hãy nghĩ về những gì sẽ xảy ra nếu bạn muốn đến một thành phố lân cận cách đó năm mươi dặm. Nó chắc chắn sẽ có giá trị để lái xe đến đó thay vì đi bộ.

Mặc dù sự khác biệt về tốc độ không phải là rất đáng chú ý như trong sự tương tự ở trên, nhưng điều tương tự cũng đúng với Pypy và Cpython.

Khi bạn chạy một tập lệnh với Pypy, nó sẽ làm rất nhiều điều để làm cho mã của bạn chạy nhanh hơn. Nếu tập lệnh quá nhỏ, thì chi phí sẽ khiến tập lệnh của bạn chạy chậm hơn so với CPython. Mặt khác, nếu bạn có một kịch bản dài, thì chi phí đó có thể trả cổ tức hiệu suất đáng kể.

Để xem cho chính mình, hãy chạy tập lệnh nhỏ sau trong cả CPython và Pypy:

1import time 2 3start_time = time.time() 4 5for i in range(100): 6 print(i) 7 8end_time = time.time() 9print(f"It took {end_time-start_time:.10f} seconds to compute")

Có một độ trễ nhỏ lúc đầu khi bạn chạy nó với Pypy, trong khi CPython chạy nó ngay lập tức. Với số lượng chính xác, phải mất 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 6 giây để chạy nó trên MacBook Pro 2015 với CPython và 1total = 0 2for i in range(1, 10000): 3 for j in range(1, 10000): 4 total += i + j 5 6print(f"The result is {total}") 7 giây để chạy nó với PYPY.

Nó không làm việc biên dịch trước thời gian

Như bạn đã thấy khi bắt đầu hướng dẫn này, Pypy không phải là một triển khai Python được biên soạn đầy đủ. Nó biên dịch mã Python, nhưng nó không phải là một trình biên dịch cho mã Python. Vì sự năng động vốn có của Python, nó không thể biên dịch Python thành một nhị phân độc lập và sử dụng lại nó.

Pypy là một trình thông dịch thời gian chạy nhanh hơn một ngôn ngữ được giải thích đầy đủ, nhưng nó chậm hơn một ngôn ngữ được biên dịch đầy đủ như C.runtime interpreter that is faster than a fully interpreted language, but it’s slower than a fully compiled language such as C.