热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

深入理解Python代码优化详解

本文初步探讨了python常见的性能优化技巧以及如何借助工具来定位和分析程序的性能瓶颈,并提供了相关可以进行性能优化的工具或语言,希望能够更相关人员一些参考。

 选择了脚本语言就要忍受其速度,这句话在某种程度上说明了 python 作为脚本的一个不足之处,那就是执行效率和性能不够理想,特别是在 performance 较差的机器上,因此有必要进行一定的代码优化来提高程序的执行效率。如何进行 Python 性能优化,是本文探讨的主要问题。本文会涉及常见的代码优化方法,性能优化工具的使用以及如何诊断代码的性能瓶颈等内容,希望可以给 Python 开发人员一定的参考。

  代码优化能够让程序运行更快,它是在不改变程序运行结果的情况下使得程序的运行效率更高,根据 80/20 原则,实现程序的重构、优化、扩展以及文档相关的事情通常需要消耗 80% 的工作量。优化通常包含两方面的内容:减小代码的体积,提高代码的运行效率。

  改进算法,选择合适的数据结构
 
  一个良好的算法能够对性能起到关键作用,因此性能改进的首要点是对算法的改进。在算法的时间复杂度排序上依次是:
 
  O(1) -> O(lg n) -> O(n lg n) -> O(n^2) -> O(n^3) -> O(n^k) -> O(k^n) -> O(n!)
 
  因此如果能够在时间复杂度上对算法进行一定的改进,对性能的提高不言而喻。但对具体算法的改进不属于本文讨论的范围,读者可以自行参考这方面资料。下面的内容将集中讨论数据结构的选择。
 •字典 (dictionary) 与列表 (list)
 
  Python 字典中使用了 hash table,因此查找操作的复杂度为 O(1),而 list 实际是个数组,在 list 中,查找需要遍历整个 list,其复杂度为 O(n),因此对成员的查找访问等操作字典要比 list 更快。
 
  清单 1. 代码 dict.py

代码如下:

from time import time
 t = time()
 list = ['a','b','is','python','jason','hello','hill','with','phone','test',
'dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']
 #list = dict.fromkeys(list,True)
 print list
 filter = []
 for i in range (1000000):
     for find in ['is','hat','new','list','old','.']:
         if find not in list:
             filter.append(find)
 print "total run time:"
 print time()-t

  上述代码运行大概需要 16.09seconds。如果去掉行 #list = dict.fromkeys(list,True) 的注释,将 list 转换为字典之后再运行,时间大约为 8.375 seconds,效率大概提高了一半。因此在需要多数据成员进行频繁的查找或者访问的时候,使用 dict 而不是 list 是一个较好的选择。
 •集合 (set) 与列表 (list)
 
  set 的 union, intersection,difference 操作要比 list 的迭代要快。因此如果涉及到求 list 交集,并集或者差的问题可以转换为 set 来操作。
 
  清单 2. 求 list 的交集:

代码如下:

from time import time
 t = time()
 lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]
 listb=[2,4,6,9,23]
 intersection=[]
 for i in range (1000000):
     for a in lista:
         for b in listb:
             if a == b:
                 intersection.append(a)
 print "total run time:"
 print time()-t

  上述程序的运行时间大概为:

代码如下:

total run time:
38.4070000648

  清单 3. 使用 set 求交集

代码如下:

from time import time
 t = time()
 lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]
 listb=[2,4,6,9,23]
 intersection=[]
 for i in range (1000000):
     list(set(lista)&set(listb))
 print "total run time:"
 print time()-t

  改为 set 后程序的运行时间缩减为 8.75,提高了 4 倍多,运行时间大大缩短。读者可以自行使用表 1 其他的操作进行测试。
 
  表 1. set 常见用法

语法 操作 说明
set(list1) | set(list2) union 包含 list1 和 list2 所有数据的新集合
set(list1) & set(list2) intersection 包含 list1 和 list2 中共同元素的新集合
set(list1) – set(list2) difference 在 list1 中出现但不在 list2 中出现的元素的集合

  对循环的优化
 
  对循环的优化所遵循的原则是尽量减少循环过程中的计算量,有多重循环的尽量将内层的计算提到上一层。 下面通过实例来对比循环优化后所带来的性能的提高。程序清单 4 中,如果不进行循环优化,其大概的运行时间约为 132.375。
 
  清单 4. 为进行循环优化前

代码如下:

from time import time
 t = time()
 lista = [1,2,3,4,5,6,7,8,9,10]
 listb =[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]
 for i in range (1000000):
     for a in range(len(lista)):
         for b in range(len(listb)):
             x=lista[a]+listb[b]
 print "total run time:"
 print time()-t

  现在进行如下优化,将长度计算提到循环外,range 用 xrange 代替,同时将第三层的计算 lista[a] 提到循环的第二层。
 
  清单 5. 循环优化后

代码如下:

from time import time
 t = time()
 lista = [1,2,3,4,5,6,7,8,9,10]
 listb =[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]
 len1=len(lista)
 len2=len(listb)
 for i in xrange (1000000):
     for a in xrange(len1):
         temp=lista[a]
         for b in xrange(len2):
             x=temp+listb[b]
 print "total run time:"
 print time()-t

  上述优化后的程序其运行时间缩短为 102.171999931。在清单 4 中 lista[a] 被计算的次数为 1000000*10*10,而在优化后的代码中被计算的次数为 1000000*10,计算次数大幅度缩短,因此性能有所提升。
 
  充分利用 Lazy if-evaluation 的特性
 
  python 中条件表达式是 lazy evaluation 的,也就是说如果存在条件表达式 if x and y,在 x 为 false 的情况下 y 表达式的值将不再计算。因此可以利用该特性在一定程度上提高程序效率。
 
  清单 6. 利用 Lazy if-evaluation 的特性

代码如下:

from time import time
 t = time()
 abbreviatiOns= ['cf.', 'e.g.', 'ex.', 'etc.', 'fig.', 'i.e.', 'Mr.', 'vs.']
 for i in range (1000000):
     for w in ('Mr.', 'Hat', 'is', 'chasing', 'the', 'black', 'cat', '.'):
         if w in abbreviations:
         #if w[-1] == '.' and w in abbreviations:
             pass
 print "total run time:"
 print time()-t

  在未进行优化之前程序的运行时间大概为 8.84,如果使用注释行代替第一个 if,运行的时间大概为 6.17。
 
  字符串的优化
 
  python 中的字符串对象是不可改变的,因此对任何字符串的操作如拼接,修改等都将产生一个新的字符串对象,而不是基于原字符串,因此这种持续的 copy 会在一定程度上影响 python 的性能。对字符串的优化也是改善性能的一个重要的方面,特别是在处理文本较多的情况下。字符串的优化主要集中在以下几个方面:
 1.在字符串连接的使用尽量使用 join() 而不是 +:在代码清单 7 中使用 + 进行字符串连接大概需要 0.125 s,而使用 join 缩短为 0.016s。因此在字符的操作上 join 比 + 要快,因此要尽量使用 join 而不是 +。
 
  清单 7. 使用 join 而不是 + 连接字符串

代码如下:

from time import time
 t = time()
 s = ""
 list = ['a','b','b','d','e','f','g','h','i','j','k','l','m','n']
 for i in range (10000):
     for substr in list:
         s+= substr    
 print "total run time:"
 print time()-t

  同时要避免:

代码如下:

s = ""
 for x in list:
    s += func(x)

  而是要使用:

代码如下:

slist = [func(elt) for elt in somelist]
 s = "".join(slist)

  2.当对字符串可以使用正则表达式或者内置函数来处理的时候,选择内置函数。如 str.isalpha(),str.isdigit(),str.startswith((‘x', ‘yz')),str.endswith((‘x', ‘yz'))
 
  3.对字符进行格式化比直接串联读取要快,因此要使用

代码如下:

out = "%s%s%s%s" % (head, prologue, query, tail)

  而避免

代码如下:

out = "" + head + prologue + query + tail + ""

  使用列表解析(list comprehension)和生成器表达式(generator expression)
 
  列表解析要比在循环中重新构建一个新的 list 更为高效,因此我们可以利用这一特性来提高运行的效率。

代码如下:

from time import time
 t = time()
 list = ['a','b','is','python','jason','hello','hill','with','phone','test',
'dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']
 total=[]
 for i in range (1000000):
     for w in list:
         total.append(w)
 print "total run time:"
 print time()-t

  使用列表解析:

代码如下:

for i in range (1000000):
     a = [w for w in list]

  上述代码直接运行大概需要 17s,而改为使用列表解析后 ,运行时间缩短为 9.29s。将近提高了一半。生成器表达式则是在 2.4 中引入的新内容,语法和列表解析类似,但是在大数据量处理时,生成器表达式的优势较为明显,它并不创建一个列表,只是返回一个生成器,因此效率较高。在上述例子上中代码 a = [w for w in list] 修改为 a = (w for w in list),运行时间进一步减少,缩短约为 2.98s。
 
  其他优化技巧
 
  1、如果需要交换两个变量的值使用 a,b=b,a 而不是借助中间变量 t=a;a=b;b=t;

代码如下:

>>> from timeit import Timer
 >>> Timer("t=a;a=b;b=t","a=1;b=2").timeit()
 0.25154118749729365
 >>> Timer("a,b=b,a","a=1;b=2").timeit()
 0.17156677734181258
 >>>

  2、在循环的时候使用 xrange 而不是 range;使用 xrange 可以节省大量的系统内存,因为 xrange() 在序列中每次调用只产生一个整数元素。而 range() 將直接返回完整的元素列表,用于循环时会有不必要的开销。在 python3 中 xrange 不再存在,里面 range 提供一个可以遍历任意长度的范围的 iterator。
 
  3、使用局部变量,避免”global” 关键字。python 访问局部变量会比全局变量要快得多,因 此可以利用这一特性提升性能。
 
  4、if done is not None 比语句 if done != None 更快,读者可以自行验证;
 
  5、在耗时较多的循环中,可以把函数的调用改为内联的方式;
 
  6、使用级联比较 “x  
  7、while 1 要比 while True 更快(当然后者的可读性更好);
 
  8、build in 函数通常较快,add(a,b) 要优于 a+b。
 
 定位程序性能瓶颈
 
  对代码优化的前提是需要了解性能瓶颈在什么地方,程序运行的主要时间是消耗在哪里,对于比较复杂的代码可以借助一些工具来定位,python 内置了丰富的性能分析工具,如 profile,cProfile 与 hotshot 等。其中 Profiler 是 python 自带的一组程序,能够描述程序运行时候的性能,并提供各种统计帮助用户定位程序的性能瓶颈。Python 标准模块提供三种 profilers:cProfile,profile 以及 hotshot。
 
  profile 的使用非常简单,只需要在使用之前进行 import 即可。具体实例如下:
 
  清单 8. 使用 profile 进行性能分析

代码如下:

import profile
 def profileTest():
    Total =1;
    for i in range(10):
        Total=Total*(i+1)
        print Total
    return Total
 if __name__ == "__main__":
    profile.run("profileTest()")

  程序的运行结果如下:
 
  图 1. 性能分析结果

  其中输出每列的具体解释如下:
 •ncalls:表示函数调用的次数;
 •tottime:表示指定函数的总的运行时间,除掉函数中调用子函数的运行时间;
 •percall:(第一个 percall)等于 tottime/ncalls;
 •cumtime:表示该函数及其所有子函数的调用运行的时间,即函数开始调用到返回的时间;
 •percall:(第二个 percall)即函数运行一次的平均时间,等于 cumtime/ncalls;
 •filename:lineno(function):每个函数调用的具体信息;
 
  如果需要将输出以日志的形式保存,只需要在调用的时候加入另外一个参数。如 profile.run(“profileTest()”,”testprof”)。
 
  对于 profile 的剖析数据,如果以二进制文件的时候保存结果的时候,可以通过 pstats 模块进行文本报表分析,它支持多种形式的报表输出,是文本界面下一个较为实用的工具。使用非常简单:

代码如下:

import pstats
 p = pstats.Stats('testprof')
 p.sort_stats("name").print_stats()

  其中 sort_stats() 方法能够对剖分数据进行排序, 可以接受多个排序字段,如 sort_stats(‘name', ‘file') 将首先按照函数名称进行排序,然后再按照文件名进行排序。常见的排序字段有 calls( 被调用的次数 ),time(函数内部运行时间),cumulative(运行的总时间)等。此外 pstats 也提供了命令行交互工具,执行 python – m pstats 后可以通过 help 了解更多使用方式。
 
  对于大型应用程序,如果能够将性能分析的结果以图形的方式呈现,将会非常实用和直观,常见的可视化工具有 Gprof2Dot,visualpytune,KCacheGrind 等,读者可以自行查阅相关官网,本文不做详细讨论。
 
 Python 性能优化工具
 
  Python 性能优化除了改进算法,选用合适的数据结构之外,还有几种关键的技术,比如将关键 python 代码部分重写成 C 扩展模块,或者选用在性能上更为优化的解释器等,这些在本文中统称为优化工具。python 有很多自带的优化工具,如 Psyco,Pypy,Cython,Pyrex 等,这些优化工具各有千秋,本节选择几种进行介绍。
 
  Psyco
 
  psyco 是一个 just-in-time 的编译器,它能够在不改变源代码的情况下提高一定的性能,Psyco 将操作编译成有点优化的机器码,其操作分成三个不同的级别,有”运行时”、”编译时”和”虚拟时”变量。并根据需要提高和降低变量的级别。运行时变量只是常规 Python 解释器处理的原始字节码和对象结构。一旦 Psyco 将操作编译成机器码,那么编译时变量就会在机器寄存器和可直接访问的内存位置中表示。同时 python 能高速缓存已编译的机器码以备今后重用,这样能节省一点时间。但 Psyco 也有其缺点,其本身运行所占内存较大。目前 psyco 已经不在 python2.7 中支持,而且不再提供维护和更新了,对其感兴趣的可以参考 http://psyco.sourceforge.net/
 
  Pypy
 
  PyPy 表示 “用 Python 实现的 Python”,但实际上它是使用一个称为 RPython 的 Python 子集实现的,能够将 Python 代码转成 C, .NET, Java 等语言和平台的代码。PyPy 集成了一种即时 (JIT) 编译器。和许多编译器,解释器不同,它不关心 Python 代码的词法分析和语法树。 因为它是用 Python 语言写的,所以它直接利用 Python 语言的 Code Object.。 Code Object 是 Python 字节码的表示,也就是说, PyPy 直接分析 Python 代码所对应的字节码 ,,这些字节码即不是以字符形式也不是以某种二进制格式保存在文件中, 而在 Python 运行环境中。目前版本是 1.8. 支持不同的平台安装,windows 上安装 Pypy 需要先下载 https://bitbucket.org/pypy/pypy/downloads/pypy-1.8-win32.zip,然后解压到相关的目录,并将解压后的路径添加到环境变量 path 中即可。在命令行运行 pypy,如果出现如下错误:”没有找到 MSVCR100.dll, 因此这个应用程序未能启动,重新安装应用程序可能会修复此问题”,则还需要在微软的官网上下载 VS 2010 runtime libraries 解决该问题。具体地址为http://www.microsoft.com/download/en/details.aspx?displaylang=en&id=5555
 
  安装成功后在命令行里运行 pypy,输出结果如下:

代码如下:

C:\Documents and Settings\Administrator>pypy
 Python 2.7.2 (0e28b379d8b3, Feb 09 2012, 18:31:47)
 [PyPy 1.8.0 with MSC v.1500 32 bit] on win32
 Type "help", "copyright", "credits" or "license" for more information.
 And now for something completely different: ``PyPy is vast, and contains
 multitudes''
 >>>>

  以清单 5 的循环为例子,使用 python 和 pypy 分别运行,得到的运行结果分别如下:

代码如下:

C:\Documents and Settings\Administrator\ 桌面 \doc\python>pypy loop.py
 total run time:
 8.42199993134
 C:\Documents and Settings\Administrator\ 桌面 \doc\python>python loop.py
 total run time:
 106.391000032

  可见使用 pypy 来编译和运行程序,其效率大大的提高。
 
  Cython
 
  Cython 是用 python 实现的一种语言,可以用来写 python 扩展,用它写出来的库都可以通过 import 来载入,性能上比 python 的快。cython 里可以载入 python 扩展 ( 比如 import math),也可以载入 c 的库的头文件 ( 比如 :cdef extern from “math.h”),另外也可以用它来写 python 代码。将关键部分重写成 C 扩展模块
 
  Linux Cpython 的安装:
 
  第一步:下载

代码如下:

[root@v5254085f259 cpython]# wget -N http://cython.org/release/Cython-0.15.1.zip
 --2012-04-16 22:08:35--  http://cython.org/release/Cython-0.15.1.zip
 Resolving cython.org... 128.208.160.197
 Connecting to cython.org|128.208.160.197|:80... connected.
 HTTP request sent, awaiting response... 200 OK
 Length: 2200299 (2.1M) [application/zip]
 Saving to: `Cython-0.15.1.zip'
 100%[======================================>] 2,200,299   1.96M/s   in 1.1s
 2012-04-16 22:08:37 (1.96 MB/s) - `Cython-0.15.1.zip' saved [2200299/2200299]

  第二步:解压

代码如下:

[root@v5254085f259 cpython]# unzip -o Cython-0.15.1.zip

  第三步:安装

代码如下:

python setup.py install

  安装完成后直接输入 cython,如果出现如下内容则表明安装成功。

代码如下:

[root@v5254085f259 Cython-0.15.1]# cython
 Cython (http://cython.org) is a compiler for code written in the
 Cython language.  Cython is based on Pyrex by Greg Ewing.
 Usage: cython [options] sourcefile.{pyx,py} ...
 Options:
  -V, --version                  Display version number of cython compiler
  -l, --create-listing           Write error messages to a listing file
  -I, --include-dir   Search for include files in named directory
                                 (multiple include directories are allowed).
  -o, --output-file    Specify name of generated C file
  -t, --timestamps               Only compile newer source files
  -f, --force                    Compile all source files (overrides implied -t)
  -q, --quiet                    Don't print module names in recursive mode
  -v, --verbose                  Be verbose, print file names on multiple compil ation
  -p, --embed-positions          If specified, the positions in Cython files of each
  function definition is embedded in its docstring.
  --cleanup
  Release interned objects on python exit, for memory debugging.
    Level indicates aggressiveness, default 0 releases nothing.
  -w, --working
  Sets the working directory for Cython (the directory modules are searched from)
  --gdb Output debug information for cygdb
  -D, --no-docstrings
              Strip docstrings from the compiled module.
  -a, --annotate
              Produce a colorized HTML version of the source.
  --line-directives
              Produce #line directives pointing to the .pyx source
  --cplus
              Output a C++ rather than C file.
  --embed[=]
              Generate a main() function that embeds the Python interpreter.
  -2          Compile based on Python-2 syntax and code seman tics.
  -3          Compile based on Python-3 syntax and code seman tics.
  --fast-fail     Abort the compilation on the first error
  --warning-error, -Werror       Make all warnings into errors
  --warning-extra, -Wextra       Enable extra warnings
  -X, --directive =
  [,

  其他平台上的安装可以参考文档:http://docs.cython.org/src/quickstart/install.html
 
  Cython 代码与 python 不同,必须先编译,编译一般需要经过两个阶段,将 pyx 文件编译为 .c 文件,再将 .c 文件编译为 .so 文件。编译有多种方法:
 •通过命令行编译:假设有如下测试代码,使用命令行编译为 .c 文件。

代码如下:

def sum(int a,int b):
        print a+b
 [root@v5254085f259 test]# cython sum.pyx
 [root@v5254085f259 test]# ls
 total 76
 4 drwxr-xr-x 2 root root  4096 Apr 17 02:45 .
 4 drwxr-xr-x 4 root root  4096 Apr 16 22:20 ..
 4 -rw-r--r-- 1 root root    35 Apr 17 02:45 1
 60 -rw-r--r-- 1 root root 55169 Apr 17 02:45 sum.c
 4 -rw-r--r-- 1 root root    35 Apr 17 02:45 sum.pyx

  在 linux 上利用 gcc 编译为 .so 文件:

代码如下:

[root@v5254085f259 test]# gcc -shared -pthread -fPIC -fwrapv -O2
 -Wall -fno-strict-aliasing -I/usr/include/python2.4 -o sum.so sum.c
 [root@v5254085f259 test]# ls
 total 96
 4 drwxr-xr-x 2 root root  4096 Apr 17 02:47 .
 4 drwxr-xr-x 4 root root  4096 Apr 16 22:20 ..
 4 -rw-r--r-- 1 root root    35 Apr 17 02:45 1
 60 -rw-r--r-- 1 root root 55169 Apr 17 02:45 sum.c
 4 -rw-r--r-- 1 root root    35 Apr 17 02:45 sum.pyx
 20 -rwxr-xr-x 1 root root 20307 Apr 17 02:47 sum.so

  使用 distutils 编译
 
  建立一个 setup.py 的脚本:

代码如下:

from distutils.core import setup
 from distutils.extension import Extension
 from Cython.Distutils import build_ext
 ext_modules = [Extension("sum", ["sum.pyx"])]
 setup(
    name = 'sum app',
    cmdclass = {'build_ext': build_ext},
    ext_modules = ext_modules
 )
 [root@v5254085f259 test]#  python setup.py build_ext --inplace
 running build_ext
 cythoning sum.pyx to sum.c
 building 'sum' extension
 gcc -pthread -fno-strict-aliasing -fPIC -g -O2 -DNDEBUG -g -fwrapv -O3
 -Wall -Wstrict-prototypes -fPIC -I/opt/ActivePython-2.7/include/python2.7
  -c sum.c -o build/temp.linux-x86_64-2.7/sum.o
 gcc -pthread -shared build/temp.linux-x86_64-2.7/sum.o
 -o /root/cpython/test/sum.so

  编译完成之后可以导入到 python 中使用:

代码如下:

[root@v5254085f259 test]# python
 ActivePython 2.7.2.5 (ActiveState Software Inc.) based on
 Python 2.7.2 (default, Jun 24 2011, 11:24:26)
 [GCC 4.0.2 20051125 (Red Hat 4.0.2-8)] on linux2
 Type "help", "copyright", "credits" or "license" for more information.
 >>> import pyximport; pyximport.install()
 >>> import sum
 >>> sum.sum(1,3)

  下面来进行一个简单的性能比较:
 
  清单 9. Cython 测试代码

代码如下:

from time import time
 def test(int n):
        cdef int a =0
        cdef int i
        for i in xrange(n):
                a+= i
        return a
 t = time()
 test(10000000)
 print "total run time:"
 print time()-t

  测试结果:

代码如下:

[GCC 4.0.2 20051125 (Red Hat 4.0.2-8)] on linux2
 Type "help", "copyright", "credits" or "license" for more information.
 >>> import pyximport; pyximport.install()
 >>> import ctest
 total run time:
 0.00714015960693

  清单 10. Python 测试代码

代码如下:

from time import time
 def test(n):
        a =0;
        for i in xrange(n):
                a+= i
        return a
 t = time()
 test(10000000)
 print "total run time:"
 print time()-t
 [root@v5254085f259 test]# python test.py
 total run time:
 0.971596002579

  从上述对比可以看到使用 Cython 的速度提高了将近 100 多倍。

总结
 
  本文初步探讨了 python 常见的性能优化技巧以及如何借助工具来定位和分析程序的性能瓶颈,并提供了相关可以进行性能优化的工具或语言,希望能够更相关人员一些参考。


推荐阅读
  • 使用正则表达式爬取36Kr网站首页新闻的操作步骤和代码示例
    本文介绍了使用正则表达式来爬取36Kr网站首页所有新闻的操作步骤和代码示例。通过访问网站、查找关键词、编写代码等步骤,可以获取到网站首页的新闻数据。代码示例使用Python编写,并使用正则表达式来提取所需的数据。详细的操作步骤和代码示例可以参考本文内容。 ... [详细]
  • 计算机存储系统的层次结构及其优势
    本文介绍了计算机存储系统的层次结构,包括高速缓存、主存储器和辅助存储器三个层次。通过分层存储数据可以提高程序的执行效率。计算机存储系统的层次结构将各种不同存储容量、存取速度和价格的存储器有机组合成整体,形成可寻址存储空间比主存储器空间大得多的存储整体。由于辅助存储器容量大、价格低,使得整体存储系统的平均价格降低。同时,高速缓存的存取速度可以和CPU的工作速度相匹配,进一步提高程序执行效率。 ... [详细]
  • 本文介绍了lua语言中闭包的特性及其在模式匹配、日期处理、编译和模块化等方面的应用。lua中的闭包是严格遵循词法定界的第一类值,函数可以作为变量自由传递,也可以作为参数传递给其他函数。这些特性使得lua语言具有极大的灵活性,为程序开发带来了便利。 ... [详细]
  • MySQL多表数据库操作方法及子查询详解
    本文详细介绍了MySQL数据库的多表操作方法,包括增删改和单表查询,同时还解释了子查询的概念和用法。文章通过示例和步骤说明了如何进行数据的插入、删除和更新操作,以及如何执行单表查询和使用聚合函数进行统计。对于需要对MySQL数据库进行操作的读者来说,本文是一个非常实用的参考资料。 ... [详细]
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 本文介绍了Java工具类库Hutool,该工具包封装了对文件、流、加密解密、转码、正则、线程、XML等JDK方法的封装,并提供了各种Util工具类。同时,还介绍了Hutool的组件,包括动态代理、布隆过滤、缓存、定时任务等功能。该工具包可以简化Java代码,提高开发效率。 ... [详细]
  • 图解redis的持久化存储机制RDB和AOF的原理和优缺点
    本文通过图解的方式介绍了redis的持久化存储机制RDB和AOF的原理和优缺点。RDB是将redis内存中的数据保存为快照文件,恢复速度较快但不支持拉链式快照。AOF是将操作日志保存到磁盘,实时存储数据但恢复速度较慢。文章详细分析了两种机制的优缺点,帮助读者更好地理解redis的持久化存储策略。 ... [详细]
  • 无损压缩算法专题——LZSS算法实现
    本文介绍了基于无损压缩算法专题的LZSS算法实现。通过Python和C两种语言的代码实现了对任意文件的压缩和解压功能。详细介绍了LZSS算法的原理和实现过程,以及代码中的注释。 ... [详细]
  • 本文介绍了在Linux下安装Perl的步骤,并提供了一个简单的Perl程序示例。同时,还展示了运行该程序的结果。 ... [详细]
  • 本文介绍了Linux系统中正则表达式的基础知识,包括正则表达式的简介、字符分类、普通字符和元字符的区别,以及在学习过程中需要注意的事项。同时提醒读者要注意正则表达式与通配符的区别,并给出了使用正则表达式时的一些建议。本文适合初学者了解Linux系统中的正则表达式,并提供了学习的参考资料。 ... [详细]
  • 单目标应用:最有价值球员算法(Most Valuable Player Algorithm,MVPA)求解旅行商问题TSP
    一、最有价值球员算法最有价值球员算法(MostValuablePlayerAlgorithm,MVPA)由Bouchekara等人于20 ... [详细]
  • 样式迁移(风格迁移)
    原文来源:https:arxiv.org、https:github.com作者:FujunLuan、SylvainParis、EliShechtman、KavitaB ... [详细]
  • 1、概念解读1.1什么是链接?链接是一种在共享文件和访问它的用户的若干目录项之间建立联系的方法。Linux系统中有两种链接:硬链接(HardLink)和软链接(SoftLink), ... [详细]
  • php还能用多少年(php还行吗)
    导读:很多朋友问到关于php还能用多少年的相关问题,本文编程笔记就来为大家做个详细解答,供大家参考,希望对大家有所帮助!一起来看看吧!本文目录一览: ... [详细]
  • nsitionalENhttp:www.w3.orgTRxhtml1DTDxhtml1-transitional.dtd ... [详细]
author-avatar
克湖泓瑜24
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有