Python中的解释与动态调度惩罚

Question

我看了布兰登·罗德斯关于赛顿的谈话-“EXE的日子就要到了”。在

Brandon在09:30提到，对于一个特定的短代码段，跳过解释会带来40%的加速，而跳过分配和分派则会带来574%的加速（10:10）。在

我的问题是——对于一段特定的代码，这是如何衡量的？是否需要手动提取底层c命令，然后让运行时运行它们？在

这是一个非常有趣的观察，但是我如何重现这个实验呢？在

Answer 1

让我们看看这个python函数：

def py_fun(i,N,step):
     res=0.0
     while i<N:
        res+=i
        i+=step
     return res

使用ipython魔法计时：

^{pr2}$

解释器将运行产生的字节码并对其进行解释。但是，我们可以通过使用cython来/cythonizing相同的代码来删除解释器：

%load_ext Cython
%%cython
def cy_fun(i,N,step):
     res=0.0
     while i<N:
        res+=i
        i+=step
     return res

我们的速度提高了50%：

In [13]: %timeit cy_fun(0.0,1.0e5,1.0)
100 loops, best of 3: 10.9 ms per loop

当我们查看生成的c代码时，我们发现在这里，在剥离样板代码之后，可以直接调用正确的函数，而不需要解释/调用ceval：

static PyObject *__pyx_pf_4test_cy_fun(CYTHON_UNUSED PyObject *__pyx_self, PyObject *__pyx_v_i, PyObject *__pyx_v_N, PyObject *__pyx_v_step) {
  ...
  while (1) {
    __pyx_t_1 = PyObject_RichCompare(__pyx_v_i, __pyx_v_N, Py_LT); 
    ...
    __pyx_t_2 = __Pyx_PyObject_IsTrue(__pyx_t_1);
    ...
    if (!__pyx_t_2) break;
    ...
    __pyx_t_1 = PyNumber_InPlaceAdd(__pyx_v_res, __pyx_v_i);
    ...
    __pyx_t_1 = PyNumber_InPlaceAdd(__pyx_v_i, __pyx_v_step); 
  }
  ...
  return __pyx_r;
}

但是，这个cython函数处理python对象，而不是c样式的float，因此在函数PyNumber_InPlaceAdd中，有必要弄清楚这些对象是什么（integer、float、其他什么？）真的是，并将此调用分派到正确的函数中。在

借助于cython，我们还可以消除这种调度的需要，直接调用float的乘法：

 %%cython
 def c_fun(double i,double N, double step):
      cdef double res=0.0
      while i<N:
         res+=i
         i+=step
      return res

在这个版本中，i、N、step和{}是c风格的双精度函数，不再是python对象。因此，不再需要调用PyNumber_InPlaceAdd这样的分派函数，但我们可以直接为double调用+-operator：

static PyObject *__pyx_pf_4test_c_fun(CYTHON_UNUSED PyObject *__pyx_self, double __pyx_v_i, double __pyx_v_N, double __pyx_v_step) {
  ...
  __pyx_v_res = 0.0;  
  ... 
  while (1) {
    __pyx_t_1 = ((__pyx_v_i < __pyx_v_N) != 0);
    if (!__pyx_t_1) break;
    __pyx_v_res = (__pyx_v_res + __pyx_v_i);
    __pyx_v_i = (__pyx_v_i + __pyx_v_step);
  }
  ...
  return __pyx_r;
}

结果是：

In [15]: %timeit c_fun(0.0,1.0e5,1.0)
10000 loops, best of 3: 148 µs per loop

现在，与没有解释器但有调度的版本相比，这一速度提高了近100。在

实际上，可以说，dispatch+allocation是这里的瓶颈（因为消除它会导致几乎100倍的加速）是一个谬论：解释程序负责50%以上的运行时间（15毫秒），而调度和分配“只”负责10毫秒

---

然而，在性能上，除了解释器和动态调度之外，还有更多的问题：Float是不可变的，所以每次它改变时都必须创建一个新的对象并在垃圾收集器中注册/注销。在

我们可以引入可变浮动，这些浮动是就地更改的，不需要注册/注销：

%%cython
cdef class MutableFloat: 
 cdef double x      
 def __cinit__(self, x):
    self.x=x         
 def __iadd__(self, MutableFloat other):
    self.x=self.x+other.x
    return self
 def __lt__(MutableFloat self,  MutableFloat other):
    return self.x<other.x
 def __gt__(MutableFloat self, MutableFloat other):
    return self.x>other.x
 def __repr__(self):
    return str(self.x)

时间安排（现在我使用不同的机器，所以时间安排有点不同）：

def py_fun(i,N,step,acc):
        while i<N:
             acc+=i
             i+=step
        return acc

%timeit py_fun(1.0, 5e5,1.0,0.0)
30.2 ms ± 1.12 ms per loop (mean ± std. dev. of 7 runs, 10 loops each 
%timeit cy_fun(1.0, 5e5,1.0,0.0)
16.9 ms ± 612 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit i,N,step,acc=MutableFloat(1.0),MutableFloat(5e5),MutableFloat(1
    ...: .0),MutableFloat(0.0); py_fun(i,N,step,acc)
23 ms ± 254 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit i,N,step,acc=MutableFloat(1.0),MutableFloat(5e5),MutableFloat(1
...: .0),MutableFloat(0.0); cy_fun(i,N,step,acc)
11 ms ± 66.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

不要忘记重新初始化i，因为它是可变的！结果

            immutable       mutable
 py_fun       30ms           23ms
 cy_fun       17ms           11ms

因此，在有解释器的版本中，注册/注销float最多需要7毫秒（约20%），而在没有解释器的版本中则需要超过33%。在

现在看来：

• 40%（13/30）的时间由口译员使用
• 多达33%的时间用于动态调度
• 最多20%的时间用于创建/删除临时对象
• 算术运算大约1%

---

另一个问题是数据的局部性，这一点对于内存带宽限制问题来说是显而易见的：如果数据一个接一个地线性地处理，那么现代缓存就可以很好地工作。对于在std::vector<>（或array.array）上循环是正确的，但是对于python列表的循环则不是这样，因为这个列表包含可以指向内存中任何位置的指针。在

考虑以下python脚本：

#list.py
N=int(1e7)
lst=[0]*int(N)
for i in range(N):
  lst[i]=i
print(sum(lst)) 

以及

#byte
N=int(1e7)
b=bytearray(8*N)
m=memoryview(b).cast('L') #reinterpret as an array of unsigned longs
for i in range(N):
  m[i]=i
print(sum(m))

它们都创建1e7整数，第一个版本是Python整数，第二个版本是连续放置在内存中的低级c-int。在

有趣的是，这些脚本会产生多少缓存未命中（D）：

valgrind  tool=cachegrind python list.py 
...
D1  misses:        33,964,276  (   27,473,138 rd   +     6,491,138 wr)

与

valgrind  tool=cachegrind python bytearray.py 
...
D1  misses:         4,796,626  (    2,140,357 rd   +     2,656,269 wr)

这意味着python缓存中的8个整数会更多。部分原因是，python整数需要超过8个字节（可能是32个字节，即因子4）的内存和（也许，不是100%确定，因为相邻的整数是在一个又一个后面创建的，所以可能性很高，它们被存储在内存中的某个地方，需要进一步的调查）一些原因是，它们在内存中没有对齐bytearray的c-整数。在