Python高性能编程
2020-03-17 17:47:06 0 举报AI智能生成
Python高性能编程
作者其他创作
大纲/内容
7 编译成C
7.1 可能获得哪种类型的速度提升
7.2 JIT和AOT编译器的对比
7.3 为什么类型检查有助代码更快运行
7.4 使用C编译器
7.5 复习Julia集的例子
7.6 Cython
7.6.1 使用Cython编译纯Python版本
7.6.2 Cython注解来分析代码块
7.6.3 增加一些类型注解
7.7 Shed Skin
7.7.1 构建扩展模块
7.7.2 内存拷贝的开销
7.8 Cython和numpy
在一台机器上使用OpenMP来做并行解决方案
7.9 Numba
7.10 Pythran
7.11 PyPy
7.11.1 垃圾收集的差异
7.11.2 运行PyPy并安装模块
7.12 什么时候使用每种工具
7.12.1 其他即将出现的项目
7.12.2 一个图像处理单元（GPU）的注意点
7.12.3 一个对未来编译器项目的展望
7.13 外部函数接口
7.13.1 ctypes
7.13.2 cffi
7.13.3 f2py
7.13.4 CPython模块
7.14 小结
8 并发
8.1 异步编程介绍
8.2 串行爬虫
8.3 gevent
8.4 tornado
8.5 AsyncIO
8.6 数据库的例子
8.7 小结
9 multiprocessing模块
9.1 multiprocessing模块综述
9.2 使用蒙特卡罗方法来估算pi
9.3 使用多进程和多线程来估算pi
9.3.1 使用Python对象
9.3.2 并行系统中的随机数
9.3.3 使用numpy
9.4 寻找素数
工作队列
9.5 使用进程间通信来验证素数
9.5.1 串行解决方案
9.5.2 Naïve Pool解决方案
9.5.3 Less Naïve Pool解决方案
9.5.4 使用Manager.Value作为一个标记
9.5.5 使用Redis作为一个标记
9.5.6 使用RawValue作为一个标记
9.5.7 使用mmap作为一个标记
9.5.8 使用mmap作为一个标记的终极效果
9.6 用multiprocessing来共享numpy数据
9.7 同步文件和变量访问
9.7.1 文件锁
9.7.2 给Value加锁
9.8 小结
10 集群和工作队列
10.1 集群的益处
10.2 集群的缺陷
10.2.1 糟糕的集群升级策略造成华尔街损失4.62亿美元
10.2.2 Skype的24小时全球中断
10.3 通用的集群设计
10.4 怎样启动一个集群化的解决方案
10.5 使用集群时避免痛苦的方法
10.6 三个集群化解决方案
10.6.1 为简单的本地集群使用Parallel Python模块
10.6.2 使用IPython Parallel来支持研究
10.7 为鲁棒生产集群的NSQ
10.7.1 队列
10.7.2 发布者/订阅者
10.7.3 分布式素数计算器
10.8 看一下其他的集群化工具
10.9 小结
11 使用更少的RAM
11.1 基础类型的对象开销高
Array模块以廉价的方式存储了许多基础对象
11.2 理解集合中的RAM使用
11.3 字节和Unicode的对比
11.4 高效地在RAM中存储许多文本
在800万个符号上尝试这些方法
11.5 使用更少RAM的窍门
11.6 概率数据结构
11.6.1 使用1字节的Morris计数器来做近似计数
11.6.2 K最小值
11.6.3 布隆过滤器
11.6.4 LogLog计数器
11.6.5 真实世界的例子
12 现场教训
12.1 自适应实验室（Adaptive Lab）的社交媒体分析（SoMA）
12.1.1 自适应实验室（Adaptive Lab）使用的Python
12.1.2 SoMA的设计
12.1.3 我们的开发方法论
12.1.4 维护SoMA
12.1.5 对工程师同行的建议
12.2 使用RadimRehurek.com让深度学习飞翔
12.2.1 最佳时机
12.2.2 优化方面的教训
12.2.3 总结
12.3 在Lyst.com的大规模产品化的机器学习
12.3.1 Python在Lyst的地位
12.3.2 集群设计
12.3.3 在快速前进的初创公司中做代码评估
12.3.4 构建推荐引擎
12.3.5 报告和监控
12.3.6 一些建议
12.4 在Smesh的大规模社交媒体分析
12.4.1 Python在Smesh中的角色
12.4.2 平台
12.4.3 高性能的实时字符串匹配
12.4.4 报告、监控、调试和部署
12.5 PyPy促成了成功的Web和数据处理系统
12.5.1 先决条件
12.5.2 数据库
12.5.3 Web应用
12.5.4 OCR和翻译
12.5.5 任务分发和工作者
12.5.6 结论
12.6 在Lanyrd.com中的任务队列
12.6.1 Python在Lanyrd中的角色
12.6.2 使任务队列变高性能
12.6.3 报告、监控、调试和部署
12.6.4 对开发者同行的建议
封面简介
1 理解高性能Python
1.1 基本的计算机系统
1.1.1 计算单元
1.1.2 存储单元
1.1.3 通信层
1.2 将基本的元素组装到一起
理想计算模型和Python虚拟机
1.3 为什么使用Python
2 通过性能分析找到瓶颈
2.1 高效地分析性能
2.2 Julia集合的介绍
2.3 计算完整的Julia集合
2.4 计时的简单方法——打印和修饰
2.5 用UNIX的time命令进行简单的计时
2.6 使用cProfile模块
2.7 用runsnakerun对cProfile的输出进行可视化
2.8 用line_profiler进行逐行分析
2.9 用memory_profiler诊断内存的用量
2.10 用heapy调查堆上的对象
2.11 用dowser实时画出变量的实例
2.12 用dis模块检查CPython字节码
不同的方法，不同的复杂度
2.13 在优化期间进行单元测试保持代码的正确性
No-op的@profile修饰器
2.14 确保性能分析成功的策略
2.15 小结
3 列表和元组
3.1 一个更有效的搜索
3.2 列表和元组
3.2.1 动态数组：列表
3.2.2 静态数组：元组
3.3 小结
4 字典和集合
4.1 字典和集合如何工作
4.1.1 插入和获取
4.1.2 删除
4.1.3 改变大小
4.1.4 散列函数和熵
4.2 字典和命名空间
4.3 小结
5 迭代器和生成器
5.1 无穷数列的迭代器
5.2 生成器的延迟估值
5.3 小结
6 矩阵和矢量计算
6.1 问题介绍
6.2 Python列表还不够吗
分配次数太多带来的问题
6.3 内存碎片
6.3.1 理解perf
6.3.2 根据perf输出做出抉择
6.3.3 使用numpy
6.4 用numpy解决扩散问题
6.4.1 内存分配和就地操作
6.4.2 选择优化点：找到需要被修正的地方
6.5 numexpr：让就地操作更快更简单
6.6 告诫故事：验证你的“优化”（scipy）
6.7 小结
0 条评论
下一页
