匿名用户

除了局部/全局变量存储时间外，操作码预测使函数更快。

正如其他答案所解释的，该函数在循环中使用store_fast操作码。下面是函数循环的字节码:>> 13 FOR_ITER 6 (to 22) # get next value from iterator

16 STORE_FAST 0 (x) # set local variable

19 JUMP_ABSOLUTE 13 # back to FOR_ITER

通常，当程序运行时，Python会一个接一个地执行每个操作码，跟踪a堆栈，并在每个操作码执行后对堆栈帧进行其他检查。操作码预测意味着在某些情况下，Python能够直接跳转到下一个操作码，从而避免了一些开销。

在这种情况下，每次Python看到for_iter(循环的顶部)时，它都会“预测”store_fast是它必须执行的下一个操作码。然后，Python查看下一个操作码，如果预测正确，则直接跳到store_fast。这具有将两个操作码压缩为单个操作码的效果。

另一方面，store_name操作码在全局级别的循环中使用。当Python看到这个操作码时，它不会做出类似的预测。相反，它必须返回到计算循环的顶部，这对循环的执行速度有明显的影响。

为了给出有关这种优化的更多技术细节，下面引用ceval.c文件(Python虚拟机的“引擎”):

有些操作码倾向于成对出现，因此当第一个代码运行时，可以预测第二个代码。例如，get_iter后面经常跟着for_iter。而且for_iter后面通常是store_fast或unpack_sequence。

验证预测需要对寄存器变量进行一次针对常数的高速测试。如果配对良好，那么处理器自己的内部分支预测成功的可能性很高，从而导致几乎零开销地过渡到下一个操作码。一个成功的预测节省了通过eval-loop(包括它的两个不可预测分支，has_arg测试和开关情况)的行程。与处理器的内部分支预测相结合，成功的predict具有使两个操作码运行的效果，就像它们是一个单独的带有主体组合的新操作码一样。

我们可以在for_iter操作码的源代码中看到预测store_fast的确切位置:case FOR_ITER: // the FOR_ITER opcode case

v = TOP();

x = (*v->ob_type->tp_iternext)(v); // x is the next value from iterator

if (x != NULL) {

PUSH(x); // put x on top of the stack

PREDICT(STORE_FAST); // predict STORE_FAST will follow - success!

PREDICT(UNPACK_SEQUENCE); // this and everything below is skipped

continue;

}

// error-checking and more code for when the iterator ends normally

如果(*next_instr==op)转到pred_##op，则predict函数将扩展为，即跳转到预测操作码的开始。在这种情况下，我们跳到这里:PREDICTED_WITH_ARG(STORE_FAST);

case STORE_FAST:

v = POP(); // pop x back off the stack

SETLOCAL(oparg, v); // set it as the new local variable

goto fast_next_opcode;

现在设置了局部变量，下一个操作码开始执行。Python继续通过迭代程序，直到它到达最后，每次都成功地进行预测。

Python wiki页面有更多关于CPython虚拟机如何工作的信息。