04

B 高性能模式/01 高性能模式.md

@@ -3,11 +3,11 @@
 本文从计算机系统结构的角度探讨提高 Python 代码任务执行速度的方法，涵盖硬件与软件交互的优化策略。以下是一些关键方法：
 
 
-计算单元层面利用多核并行计算
+### 计算单元层面利用多核并行计算
 - 对于 CPU 密集型任务，使用多进程，每个进程拥有独立的 Python 解释器和内存空间运行在独立的内核上，实现并行计算。
 
 
- I/O 层面减少等待时间
+### I/O 层面减少等待时间
 - 异步编程：asyncio 库允许在单线程中处理多个 I/O 操作（实现并发执行），减少等待时间。
 - 多线程：Python的线程切换是由解释器完成，而不是操作系统。切换不仅基于时间间隔，Python的多线程 时间切片间隔可以通过 sys.setswitchinterval() 设置，通常以秒为单位。其他切换触发条件 ：
 	- 当线程等待I/O操作（如网络请求或磁盘读写）时，GIL会被释放，允许其他线程运行。
@@ -16,12 +16,12 @@
 - 批量处理，减少I/O请求数量
 
 
-编译层面减少解释器开销
+### 编译层面减少解释器开销
 - 使用 JIT 编译器：Just-In-Time（JIT）编译可以在运行时将Python代码编译成机器码，从而提升执行速度 。PyPy 是一种替代 CPython 的 Python 实现，使用即时编译（JIT）技术，PyPy 的 JIT 引擎可以分析代码执行路径，优化频繁调用的函数，充分利用处理器架构。
 - **Cython 编译**：Cython 允许开发者为 Python 代码添加 C 类型的注解，并编译为 C 代码，再由 C 编译器生成机器码。Cython 可实现接近 C 的执行速度，特别适合静态类型优化的场景。
 
 
- 利用Python的语言特性
+### 利用Python的语言特性
 -  **使用内置数据类型和函数**：内置的数据类型（如列表、字典、集合等）和函数通常经过高度优化。
 -  **减少全局变量的使用**：访问全局变量通常比局部变量慢，因为它们需要在更大的作用域中查找。
 -  减少函数调用可降低堆栈操作开销
@@ -31,7 +31,7 @@
 -  使用XX池或预分配资源。
 
 
-使用第三方高性能库
+### 使用第三方高性能库
 -  NumPy、Pandas这些库通常用 C/C++ 编写并经过优化。
 -  NumPy  模块使用连续内存块存储数据，向量化操作来代替显式的Python循环更高效 。
 -  SIMD 指令加速， NumPy、Numba、Pandas/SciPy 都使用了SIMD。Cython 可以直接用 C 代码使用SIMD 。

B 高性能模式/相关知识.md

@@ -1,5 +1,6 @@
 
 ### 协程
+
 - 异步编程是一种编程范式，旨在提高程序的并发能力。
 - 协程是异步编程的一种具体实现。协程是一种特殊的函数，可以在执行过程中暂停，并在稍后恢复执行。协程提供了一种轻量级的并发方式，允许多个任务在单线程内交错执行，非常适合 I/O 密集型场景。Python 中的协程通常通过 yield 或 async/await 语法实现:  生成器协程：使用 yield 关键字暂停和恢复执行 ; 原生协程：使用 async def 定义，通过 await 等待其他操作完成。        
 - 异步编程在 python 社区讨论中，常常等价于协程，甚至等价于 async
@@ -14,7 +15,7 @@ JIT 跨平台，生成适合当前平台的机器码。
 JIT 的工作原理：**解释执行**：程序开始时，代码以解释方式执行（逐行解释字节码）。 **热点检测**：JIT 编译器监控代码执行，识别频繁执行的代码段（称为“热点”）。 **动态编译**：将热点代码编译为机器码，后续执行直接运行机器码，避免解释执行的开销。 **优化**：JIT 编译器可以根据运行时信息进行优化（如内联函数、消除死代码）。
 
 在 Python 中利用 JIT 加速的方法包括：
-1. **PyPy**：通用的 Python 实现，适合大多数场景。pypy your_script.py    
-2. **Numba**：专注于数值计算，适合科学计算和数据分析。用 `@jit` 装饰器标记需要加速的函数。    
-3. **Cython**：将 Python 代码编译为 C 代码，适合需要极致性能的场景。支持 JIT 和 AOT 编译 。
-4. **Taichi**：专注于高性能计算，适合图形学、物理仿真等领域。
+- **PyPy**：通用的 Python 实现，适合大多数场景。pypy your_script.py    
+- **Numba**：专注于数值计算，适合科学计算和数据分析。用 `@jit` 装饰器标记需要加速的函数。    
+- **Cython**：将 Python 代码编译为 C 代码，适合需要极致性能的场景。支持 JIT 和 AOT 编译 。
+- **Taichi**：专注于高性能计算，适合图形学、物理仿真等领域。