Python haute performance, 3e édition

Index

Symboles

• %memit, Utiliser memory_profiler pour diagnostiquer l'utilisation de la mémoire, Les itérateurs et les générateurs, Les objets pour les primitives sont coûteux, Comprendre la RAM utilisée dans une collection
• Fonction %timeit, Approches simples de l'impression temporelle et d'un décorateur, Différentes approches, Différentes complexités, Il y a plus d'une façon (et peut-être une plus rapide) de faire un travail.
• Diffusion 1D, Introduction au problème-Introductionau problème
• Diffusion 2D, Introduction au problème - Problèmesd'allocation excessive, Graphes dynamiques :PyTorch-Graphes dynamiques : PyTorch
  • (voir aussi les interfaces de fonctions étrangères)
• Flottants 32 bits, quand utiliser chaque technologie
• Python 64 bits, Python 3
• >> (jump points), Utilisation du module dis pour examiner le bytecode CPython
• Décorateur @fasteners.interprocess_locked, Verrouillage des fichiers
• @jit decorator, Numba, Numba (2020), Un exemple simple
• L'alias du décorateur @njit, Meilleures pratiques et recommandations
• Décorateur @profile, Utiliser memory_profiler pour diagnostiquer l'utilisation de la mémoire, Combiner le profilage du processeur et de la mémoire avec Scalene
• @require decorator, Utiliser IPython Parallel pour soutenir la recherche
• Caractère Σ (sigma), Octets contre Unicode

A

• fonction abs, Pourquoi les informations sur les types aident-elles le code à tourner plus vite, Ajouter quelques annotationsde types, Cython et numpy
• l'abstraction, la machine virtuelle de Python
• Accélérer la bibliothèque ...