Python：IPython性能度量

有时您可能需要比较两个类似操作的性能。

IPython为您提供了一个魔法命令 timeit 来执行此操作。它多次运行代码以获得更准确的结果。同样，它也适用于度量单行代码。

例如，你知道下面哪个加法运算更好吗？

x = 5;y = x**2;

x = 5;y = x*x;

x = np.uint8([5]);y = x*x，或者y = np.square(x)?

我们将在IPython shell中通过timeit找到答案。

x = 5
%timeit y=x**2
# 结果
10000000 loops, best of 3: 73 ns per loop
%timeit y=x*x
# 结果
10000000 loops, best of 3: 58.3 ns per loop
z = np.uint8([5])
%timeit y=z*z
# 结果
1000000 loops, best of 3: 1.25 us per loop
%timeit y=np.square(z)
# 结果
1000000 loops, best of 3: 1.16 us per loop

可以看到，x = 5;y = x*x是最快的，它比Numpy大约快20倍。

如果还考虑数组的创建，可能会快100倍。很酷，对吧?*(Numpy开发者正在处理这个问题)*

【注意】

Python标量操作比Numpy标量操作快。因此，对于包含一个或两个元素的操作，Python scalar要比Numpy数组好。

当数组的大小稍微大一点时，Numpy具有优势。

我们再举一个例子。这一次，我们将比较相同映像的vc . countnonzero()和np.count_nonzero()的性能。

%timeit z = cv.countNonZero(img)
# 结果
100000 loops, best of 3: 15.8 us per loop
%timeit z = np.count_nonzero(img)
# 结果
1000 loops, best of 3: 370 us per loop

看，OpenCV函数比Numpy函数快了近25倍。

【注意】

通常，OpenCV函数比Numpy函数更快。因此，对于相同的操作，首选的是OpenCV函数。

但是，也有例外，特别是当Numpy使用视图而不是副本时。

性能优化技术

有几种技术和编码方法可以最大限度地利用Python和Numpy的性能。这里只列出相关的资料，并提供重要资料的链接。

这里要注意的主要事情是，首先尝试以一种简单的方式实现算法。一旦它开始工作，分析它，然后发现瓶颈，并优化它们。

常用技巧如下：

尽量避免在Python中使用循环，特别是双/三重循环等。它们天生就很慢。
将算法/代码向量化到可能的最大程度，因为Numpy和OpenCV针对向量操作进行了优化。
利用缓存一致性。
除非必要，不要复制数组。尝试使用视图代替。数组复制是一项开销很大的操作。

如果您的代码在执行了所有这些操作之后仍然很慢，或者不可避免地要使用大的循环，那么可以使用Cython等其他库来提高速度。

附加资源

Python优化技术：https://wiki.python.org/moin/PythonSpeed/PerformanceTips

Scipy课堂笔记-高级Numpy：http://scipy-lectures.org/advanced/advanced_numpy/index.html#advanced-numpy

IPython中的计时和分析：https://pynash.org/2013/03/06/timing-and-profiling/