- 内容提要
- 前言
- 作者简介
- 封面简介
- 第1章 理解高性能 Python
- 第2章 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
- 2.13 在优化期间进行单元测试保持代码的正确性
- 2.14 确保性能分析成功的策略
- 2.15 小结
- 第3章 列表和元组
- 第4章 字典和集合
- 第5章 迭代器和生成器
- 第6章 矩阵和矢量计算
- 第7章 编译成 C
- 第8章 并发
- 第9章 multiprocessing 模块
- 第10章 集群和工作队列
- 第11章 使用更少的 RAM
- 第12章 现场教训
文章来源于网络收集而来,版权归原创者所有,如有侵权请及时联系!
7.4 使用 C 编译器
在接下来的示例中,我们会从GNU C编译器的工具链中使用gcc和g++。如果你能正确配置环境,你可能会选择替代gcc的编译器(例如,Intel的icc或者微软的cl)。Cython使用了gcc,Shed Skin使用了g++。
g``cc对大多数平台来说是很好的选择,它得到了很好的支持还很先进。虽然经常有可能利用调制的编译器(例如Intel的icc可能会在Intel设备上生成比gcc更快的代码)来压榨出更高的性能,但是代价就是你不得不去获取一些更多的领域知识并且学习在替代gcc的编译器上怎样去调制开关项。
C和C++经常被用作静态编译器,而不用其他语言,比如Fortran,这要归因于C和C++的普适性和大范围的支持库。编译器和转换器(Cython等,在这种情况下是转换器)有机会来学习注解代码从而决定静态优化步骤(就像内联函数和循环展开)是否要采用。对中间级的抽象语法树的贪婪分析(由Pythran、Numba和PyPy执行)提供了机会来结合Python表达法的知识,从而去通知底层编译器尽可能利用已经看见的模式。
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论