[英]jupyterLab %%timeit not consistent with python timeit
正如您自己注意到的那样, “函数定义需要更多时间” 。
Pythengers,拆开!
import dis
dis.dis('''
def func(a, b):
return a + b
''')
输出(使用 Python 3.10.4):
2 0 LOAD_CONST 0 (<code object func at 0x00000243938989D0, file "<dis>", line 2>)
2 LOAD_CONST 1 ('func')
4 MAKE_FUNCTION 0
6 STORE_NAME 0 (func)
8 LOAD_CONST 2 (None)
10 RETURN_VALUE
Disassembly of <code object func at 0x00000243938989D0, file "<dis>", line 2>:
3 0 LOAD_FAST 0 (a)
2 LOAD_FAST 1 (b)
4 BINARY_ADD
6 RETURN_VALUE
加载已编译的代码对象,从中创建一个函数对象,并将其分配给名称func
。
使用带注释的版本,我们得到的是:
2 0 LOAD_CONST 0 ('a')
2 LOAD_NAME 0 (int)
4 LOAD_CONST 1 ('b')
6 LOAD_NAME 0 (int)
8 LOAD_CONST 2 ('return')
10 LOAD_NAME 0 (int)
12 BUILD_TUPLE 6
14 LOAD_CONST 3 (<code object func at 0x00000243940F0A80, file "<dis>", line 2>)
16 LOAD_CONST 4 ('func')
18 MAKE_FUNCTION 4 (annotations)
20 STORE_NAME 1 (func)
22 LOAD_CONST 5 (None)
24 RETURN_VALUE
Disassembly of <code object func at 0x00000243940F0A80, file "<dis>", line 2>:
3 0 LOAD_FAST 0 (a)
2 LOAD_FAST 1 (b)
4 BINARY_ADD
6 RETURN_VALUE
因此,当它被执行时,会为注释完成一些额外的工作,这会花费额外的时间。
为什么这对你同学的测量方式没有影响? 因为他们并没有真正衡量它。 尝试在a.py
中打印一些东西:
print('importing a.py ...')
def func(a, b):
return a + b
func(6, 7)
然后再试一次:
> python -m timeit -n 10000000 "import a"
importing a.py ...
10000000 loops, best of 5: 370 nsec per loop
>
一千万次循环,但我们的消息只打印了一次。 因为 Python 缓存导入并且不会重新导入已经导入的内容。 因此,虽然这确实衡量了函数定义的单次执行,但在执行一千万个 import 语句中这完全是微不足道的。 真的,你的同学没有测量他们打算测量的代码,而是测量了导入语句(几乎所有这些都被识别为重新导入然后被忽略)。
我认为诸如%%timeit
之类的魔术函数会导致笔记本解释单元格。 在命令行和笔记本中运行你的代码,我得到了与你相似的结果。
但是,如果我在一个单元格中定义函数afunc
和bfunc
,然后在不同的单元格中分别定义%%timeit
,则结果再次彼此一致。
[1]
def afunc(a: int, b: int) -> int:
return a + b
def bfunc(a, b):
return a + b
[2]
%%timeit
afunc(1,2)
40.9 ns ± 0.131 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
[3]
%%timeit
bfunc(1,2)
42.9 ns ± 0.0417 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
没有显着差异,而
[1]
%%timeit
def afunc(a: int, b: int) -> int:
return a + b
afunc(1,2)
145 ns ± 0.765 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
[2]
%%timeit
def bfunc(a, b):
return a + b
bfunc(1,2)
71.2 ns ± 0.341 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
给我们带来了巨大的不同
我们可以更进一步,这样做:
[1]
%%timeit
def afunc(a: int, b: int) -> int:
return a + b
111 ns ± 0.358 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
[2]
%%timeit
def bfunc(a, b):
return a + b
32.6 ns ± 0.255 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
这里很明显,解释是测量的,因为没有执行用户函数调用,只是函数本身的定义。 我们观察到相同的差异,减去运行任一功能所需的约 40ns。
控制台中更简单的代码似乎证实了这不是 JupyterLab 特有的,尽管这段代码更容易满足exec
的要求:
C:\Users\Ben>python -m timeit "exec('a: int = 1')"
50000 loops, best of 5: 4.91 usec per loop
C:\Users\Ben>python -m timeit "exec('a = 1')"
50000 loops, best of 5: 4.02 usec per loop
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.