Python：IPython性能度量

Myth丶恋晨 2022-11-20 05:53 177阅读 0赞

## Python：IPython性能度量 ##

有时您可能需要比较两个类似操作的性能。

IPython为您提供了一个魔法命令 timeit 来执行此操作。它多次运行代码以获得更准确的结果。同样，它也适用于度量单行代码。

例如，你知道下面哪个加法运算更好吗？

x = 5;y = x\*\*2;

x = 5;y = x\*x;

x = np.uint8(\[5\]);y = x\*x，或者y = np.square(x)?

我们将在IPython shell中通过timeit找到答案。

x = 5
    %timeit y=x**2
    # 结果
    10000000 loops, best of 3: 73 ns per loop
    %timeit y=x*x
    # 结果
    10000000 loops, best of 3: 58.3 ns per loop
    z = np.uint8([5])
    %timeit y=z*z
    # 结果
    1000000 loops, best of 3: 1.25 us per loop
    %timeit y=np.square(z)
    # 结果
    1000000 loops, best of 3: 1.16 us per loop

可以看到，x = 5;y = x\*x是最快的，它比Numpy大约快20倍。

如果还考虑数组的创建，可能会快100倍。很酷，对吧?\*(Numpy开发者正在处理这个问题)\*

**【注意】**

Python标量操作比Numpy标量操作快。因此，对于包含一个或两个元素的操作，Python scalar要比Numpy数组好。

当数组的大小稍微大一点时，Numpy具有优势。

我们再举一个例子。这一次，我们将比较相同映像的vc . countnonzero()和np.count\_nonzero()的性能。

%timeit z = cv.countNonZero(img)
    # 结果
    100000 loops, best of 3: 15.8 us per loop
    %timeit z = np.count_nonzero(img)
    # 结果
    1000 loops, best of 3: 370 us per loop

看，OpenCV函数比Numpy函数快了近25倍。

【注意】

通常，OpenCV函数比Numpy函数更快。因此，对于相同的操作，首选的是OpenCV函数。

但是，也有例外，特别是当Numpy使用视图而不是副本时。

### 更多的IPython魔法命令 ###

还有其他一些神奇的命令可以测量性能、分析、行分析、内存测量等等。

它们都有很好的文档记录。所以这里只提供这些文档的链接。有兴趣的读者可以试一试。

### 性能优化技术 ###

有几种技术和编码方法可以最大限度地利用Python和Numpy的性能。这里只列出相关的资料，并提供重要资料的链接。

这里要注意的主要事情是，首先尝试以一种简单的方式实现算法。一旦它开始工作，分析它，然后发现瓶颈，并优化它们。

常用技巧如下：

1.  尽量避免在Python中使用循环，特别是双/三重循环等。它们天生就很慢。
2.  将算法/代码向量化到可能的最大程度，因为Numpy和OpenCV针对向量操作进行了优化。
3.  利用缓存一致性。
4.  除非必要，不要复制数组。尝试使用视图代替。数组复制是一项开销很大的操作。

如果您的代码在执行了所有这些操作之后仍然很慢，或者不可避免地要使用大的循环，那么可以使用Cython等其他库来提高速度。

### 附加资源 ###

Python优化技术：[https://wiki.python.org/moin/PythonSpeed/PerformanceTips][https_wiki.python.org_moin_PythonSpeed_PerformanceTips]

Scipy课堂笔记-高级Numpy：[http://scipy-lectures.org/advanced/advanced\_numpy/index.html\#advanced-numpy][http_scipy-lectures.org_advanced_advanced_numpy_index.html_advanced-numpy]

IPython中的计时和分析：[https://pynash.org/2013/03/06/timing-and-profiling/][https_pynash.org_2013_03_06_timing-and-profiling]

[https_wiki.python.org_moin_PythonSpeed_PerformanceTips]: https://wiki.python.org/moin/PythonSpeed/PerformanceTips
[http_scipy-lectures.org_advanced_advanced_numpy_index.html_advanced-numpy]: http://scipy-lectures.org/advanced/advanced_numpy/index.html#advanced-numpy
[https_pynash.org_2013_03_06_timing-and-profiling]: https://pynash.org/2013/03/06/timing-and-profiling/