neurtu 0.3.0

安装

Neurtu需要Python2.7或3.4+，它可以安装，

pip install neurtu

pandas >=0.20是可选（但强烈建议）依赖项。

快速启动

为了说明neurtu的用法，will将在numpy中对数组排序进行基准测试。首先，我们会 壳体生成器，

importnumpyasnpimportneurtudefcases()rng=np.random.RandomState(42)forNin[1000,10000,100000]:X=rng.rand(N)tags={'N':N}yieldneurtu.delayed(X,tags=tags).sort()

这将产生一系列延迟的计算，每个计算都标记有定义单个运行的参数。

我们可以使用，

>>>df=neurtu.timeit(cases())>>>print(df)wall_timeN10000.000014100000.0001341000000.001474

它将在内部使用timeit模块，该模块具有足够数量的求值来处理计时器精度 限制（类似于ipython的%timeit）。它还将显示长时间运行基准的进度条， 并以pandas.DataFrame形式返回结果（如果安装了pandas）。

默认情况下，所有计算都使用repeat=1运行。如果需要更多的统计置信度，则此值可以 增加，

>>>neurtu.timeit(cases(),repeat=3)wall_timemeanmaxstdN10000.0000120.0000140.000002100000.0001160.0001490.0000291000000.0013230.0017140.000339

在这种情况下，我们将得到一个框架 pandas.MultiIndex用于 列，其中第一个级别表示度量名称（wall_time），第二个级别表示聚合方法。 默认情况下，neurtu.timeit使用aggregate=['mean', 'max', 'std']方法调用，如支持的那样 通过pandas aggregation API。要禁用， 聚合并获取单个运行的计时，使用aggregate=False。 有关详细信息，请参见neurtu.timeit documentation。

要评估峰值内存使用情况，可以使用具有相同api的neurtu.memit函数，

>>>neurtu.memit(cases(),repeat=3)peak_memorymeanmaxstdN100000.00.00.01000000.00.00.010000000.00.00.0

一般来说，neurtu.Benchmark支持大量的评估指标，

>>>bench=neurtu.Benchmark(wall_time=True,cpu_time=True,peak_memory=True)>>>bench(cases())cpu_timepeak_memorywall_timeN100000.0001000.00.0001421000000.0011490.00.00168010000000.0136770.00.018347

包括psutil process metrics。

有关更多信息，请参见documentation和 examples。

许可证

Neurtu是根据3条BSD许可证发布的。