内容简介：将 Python 翻译成 c/c++ 再编译执行。比原生 Python 快 1.5 倍左右。比原生 Python 快 10 倍左右。
Cython
将 Python 翻译成 c/c++ 再编译执行。
比原生 Python 快 1.5 倍左右。
Numpy
比原生 Python 快 10 倍左右。
numexpr
import numpy as np
import numexpr as ne
N = 10 ** 5
a = np.random.uniform(-1, 1, N)
b = np.random.uniform(-1, 1, N)
ne.evaluate('a ** 2 + b ** 2')
比 Numpy 快 2 到 10 倍。
多线程与多进程并发
concurrent.futures.ThreadPoolExecutor(cpu_count) # 或者 concurrent.futures.ProcessPoolExecutor(cpu_count)
CuPy
使用 CUDA 计算，直接将 numpy 替换成 cupy。
比原生 Python 快 250 倍左右。
多显卡
使用 cupy.cuda.Device(cuda_index) 切换显卡设备：
with cupy.cuda.Device(1):
x_on_gpu1 = cupy.array([1, 2, 3, 4, 5])
这里 x_on_gpu1 将在 GPU 1 上分配。
使用 Chainer 简化主存/显存切换
本小节内容摘自在Chainer中使用GPU，更多详细信息请参考原文。
Chainer将CuPy的默认分配器更改为内存池，因此用户可以直接使用CuPy的功能而不需要处理内存分配器。
Chainer提供了一些方便的功能来自动切换和选择设备。例如，chainer.cuda.to_gpu（）函数将numpy.ndarray对象复制到指定的设备：
x_cpu = np.ones((5, 4, 3), dtype=np.float32) x_gpu = cuda.to_gpu(x_cpu, device=1)
它相当于使用CuPy的以下代码：
x_cpu = np.ones((5, 4, 3), dtype=np.float32)
with cupy.cuda.Device(1):
x_gpu = cupy.array(x_cpu)
更多并发骚操作，参考 Python并行编程 。
Over
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 性能优化第一课：性能指标
- 【前端性能优化】vue性能优化
- Golang 性能测试 (2) 性能分析
- 【前端性能优化】02--vue性能优化
- Java性能 -- 性能调优标准
- Java性能 -- 性能调优策略
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
