利用Psyco提升Python運行速度

Psyco 是嚴格地在 Python 運行時進行操作的。也就是說，Python 源代碼是通過 python 命令編譯成字節(jié)碼的，所用的方式和以前完全相同（除了為調(diào)用 Psyco 而添加的幾個 import 語句和函數(shù)調(diào)用）。但是當 Python 解釋器運行應(yīng)用程序時，Psyco 會不時地檢查，看是否能用一些專門的機器代碼去替換常規(guī)的 Python 字節(jié)碼操作。這種專門的編譯和 Java 即時編譯器所進行的操作非常類似（一般地說，至少是這樣），并且是特定于體系結(jié)構(gòu)的。到現(xiàn)在為止，Psyco 只可用于 i386 CPU 體系結(jié)構(gòu)。Psyco 的妙處在于可以使用您一直在編寫的 Python 代碼（完全一樣！），卻可以讓它運行得更快。

Psyco 是如何工作的

要完全理解 Psyco，您可能需要很好地掌握 Python 解釋器的 eval_frame() 函數(shù)和 i386 匯編語言。遺憾的是，我自己不能對其中任何一項發(fā)表專家性的意見 － 但是我想我可以大致不差地概述 Psyco。
在常規(guī)的 Python 中，eval_frame() 函數(shù)是 Python 解釋器的內(nèi)循環(huán)。eval_frame() 函數(shù)主要察看執(zhí)行上下文中的當前字節(jié)碼，并將控制向外切換到一個適合實現(xiàn)該字節(jié)碼的函數(shù)。支持函數(shù)將做什么的具體細節(jié)通常取決于保存在內(nèi)存中的各種 Python 對象的狀態(tài)。簡單點說，添加 Python 對象“2”和“3”和添加對象“5”和“6”會產(chǎn)生不同的結(jié)果，但是這兩個操作都以類似的方式分派。
Psyco 用復(fù)合求值單元替代 eval_frame() 函數(shù)。Psyco 有幾種方法可以用來改進 Python 所進行的操作。首先，Psyco 將操作編譯成有點優(yōu)化的機器碼；由于機器碼需要完成的工作和 Python 的分派函數(shù)所要做的事一樣，所以其本身只有些許改進。而且，Psyco 編譯中的“專門的”內(nèi)容不僅僅是對 Python 字節(jié)碼的選擇，Psyco 也要對執(zhí)行上下文中已知的變量值進行專門化。例如，在類似于下面的代碼中，變量 x 在循環(huán)持續(xù)時間內(nèi)是可知的：

代碼如下:

x = 5
l = []
for i in range(1000):
l.append(x*i)

該段代碼的優(yōu)化版本不需要用“x 變量／對象的內(nèi)容”乘每個 i，與之相比，簡單地用 5 乘以每個 i 所用的開銷較少，省略了查找／間接引用這一步。
除為小型操作創(chuàng)建特定于 i386 的代碼之外，Psyco 還高速緩存這個已編譯的機器碼以備今后重用。如果 Psyco 能夠識別出特定的操作和早先所執(zhí)行的（“專門化的”）操作一樣，那么，它就能依靠這個高速緩存的代碼而不需要再次編譯代碼段。這樣就節(jié)省了一些時間。
但是，Psyco 中真正省時的原因在于 Psyco 將操作分成三個不同的級別。對于 Psyco，有“運行時”、“編譯時”和“虛擬時”變量。Psyco 根據(jù)需要提高和降低變量的級別。運行時變量只是常規(guī) Python 解釋器處理的原始字節(jié)碼和對象結(jié)構(gòu)。一旦 Psyco 將操作編譯成機器碼，那么編譯時變量就會在機器寄存器和可直接訪問的內(nèi)存位置中表示。
最有意思的級別是虛擬時變量。在內(nèi)部，一個 Python 變量就是一個有許多成員組成的完整結(jié)構(gòu) － 即使當對象只代表一個整數(shù)時也是如此。Psyco 虛擬時變量代表了需要時可能會被構(gòu)建的 Python 對象，但是這些對象的詳細信息在它們成為 Python 對象之前是被忽略的。例如，考慮如下賦值：
x = 15 * (14 + (13 - (12 / 11)))
標準的 Python 會構(gòu)建和破壞許多對象以計算這個值。構(gòu)建一個完整的整數(shù)對象以保存 (12/11) 這個值；然后從臨時對象的結(jié)構(gòu)中“拉”出一個值并用它計算新的臨時對象 (13-PyInt)。而 Psyco 跳過這些對象，只計算這些值，因為它知道“如果需要”，可以從值創(chuàng)建一個對象。

使用 Psyco

解釋 Psyco 相對比較困難，但是使用 Psyco 就非常容易了?；旧?，其全部內(nèi)容就是告訴 Psyco 模塊哪個函數(shù)／方法要“專門化”。任何 Python 函數(shù)和類本身的代碼都不需進行更改。
有幾種方法可以指定 Psyco 應(yīng)該做什么?！矮C槍（shotgun）”方法使得隨處都可使用 Psyco 即時操作。要做到這點，把下列行置于模塊頂端：

代碼如下:

import psyco ; psyco.jit()
from psyco.classes import *

第一行告訴 Psyco 對所有全局函數(shù)“發(fā)揮其魔力”。第二行（在 Python 2.2 及以上版本中）告訴 Psyco 對類方法執(zhí)行相同的操作。為了更精確地確定 Psyco 的行為，可以使用下列命令：
psyco.bind(somefunc)　# or method, class
newname = psyco.proxy(func)
第二種形式把 func 作為標準的 Python 函數(shù)，但是優(yōu)化了涉及 newname 的調(diào)用。除了測試和調(diào)試之外的幾乎所有的情況下，您都將使用 psyco.bind() 形式。

Psyco 的性能

盡管 Psyco 如此神奇，使用它仍然需要一點思考和測試。主要是要明白 Psyco 對于處理多次循環(huán)的塊是很有用的，而且它知道如何優(yōu)化涉及整數(shù)和浮點數(shù)的操作。對于非循環(huán)函數(shù)和其它類型對象的操作，Psyco 多半只會增加其分析和內(nèi)部編譯的開銷。而且，對于含有大量函數(shù)和類的應(yīng)用程序來說，在整個應(yīng)用程序范圍啟用 Psyco，會在機器碼編譯和用于這一高速緩存的內(nèi)存使用方面增加大量的負擔。有選擇性地綁定那些可以從 Psyco 的優(yōu)化中獲得最大收益的函數(shù)，這樣會好得多。
我以十分幼稚的方式開始了我的測試過程。我僅僅考慮了我近來運行的、但還未考慮加速的應(yīng)用程序。想到的第一個示例是用來將我即將出版的書稿（Text Processing in Python）轉(zhuǎn)換成 LaTeX 格式的文本操作程序。該應(yīng)用程序使用了一些字符串方法、一些正則表達式和一些主要由正則表達式和字符串匹配所驅(qū)動的程序邏輯。實際上將它用作 Psyco 的測試候選是很糟的選擇，但是我還是使用了，就這么開始了。
第一遍測試中，我所做的就是將 psyco.jit() 添加到腳本頂端。這做起來一點都不費力。遺憾的是，結(jié)果（意料當中）很令人失望。原先腳本運行要花費 8.5 秒，經(jīng)過 Psyco 的“加速”后它大概要運行 12 秒。真差勁！我猜測大概是即時編譯所需的啟動開銷拖累了運行時間。因此接下來我試著處理一個更大的輸入文件（由原來那個輸入文件的多個副本組成）。這次獲得了小小的成功，將運行時間從 120 秒左右減到了 110 秒。幾次運行中的加速效果比較一致，但是效果都不顯著。
本處理候選項的第二遍測試中。我只添加了 psyco.bind(main) 這一行，而不是添加一個總的 psyco.jit() 調(diào)用，因為 main() 函數(shù)確實要循環(huán)多次（但是僅利用了最少的整數(shù)運算）。這里的結(jié)果名義上要比前面好。這種方法將正常的運行時間削減了十分之幾秒，在較大的輸入版本的情況下削減了數(shù)秒鐘。但是仍然沒有引入矚目的結(jié)果發(fā)生（但也沒產(chǎn)生什么害處）。

為進行更恰當?shù)?Psyco 測試，我搜尋出我在以前的文章里編寫的一些神經(jīng)網(wǎng)絡(luò)代碼（請參閱“參考資料”）。這個“代碼識別器（code_recognizer）”應(yīng)用程序可以經(jīng)“訓練”用于識別不同編程語言編寫的不同 ASCII 值的可能分布情況。類似于這樣的東西可能在猜測文件類型方面（比方說丟失的網(wǎng)絡(luò)信息包）將很有用；但是，關(guān)于“訓練”些什么，代碼實際上完全是通用的 － 它能很容易地學會識別面孔、聲音或潮汐模式。任何情況下，“代碼識別器”都基于 Python 庫 bpnn，Psyco 4.0 分發(fā)版也包含（以修正的形式）了該庫作為測試用例。在本文中，對“代碼識別器”要重點了解它做了許多浮點運算循環(huán)并花費了很長的運行時間。這里我們已經(jīng)有了一個能用于 Psyco 測試的好的候選用例。
使用了一段時間后，我建立了有關(guān) Psyco 用法的一些詳細信息。對于這種只有少量類和函數(shù)的應(yīng)用程序，使用即時綁定還是目標綁定沒有太大區(qū)別。但最佳的結(jié)果是，通過有選擇性地綁定最優(yōu)化類，仍可得到幾個百分點的改進。然而，更值得注意的是要理解 Psyco 綁定的作用域，這一點很重要。
code_recognizer.py 腳本包括類似于下面的這些行：

從 bpnn 導(dǎo)入 NN
class NN2(NN):
# customized output methods, math core inherited
也就是說，從 Psyco 的觀點來看，有趣的事情在類 bpnn.NN 之中。把 psyco.jit() 或 psyco.bind(NN2) 添加到 code_recognizer.py 腳本中起不了什么作用。要使 Psyco 進行期望的優(yōu)化，需要將 psyco.bind(NN) 添加到 code_recognizer.py 或者將 psyco.jit() 添加到 bpnn.py。與您可能假設(shè)的情況相反，即時優(yōu)化不在創(chuàng)建實例時或方法運行時發(fā)生，而是在定義類的作用域內(nèi)發(fā)生。另外，綁定派生類不會專門化其從其它地方繼承的方法。
一旦找到適當?shù)?Psyco 綁定的細微的詳細信息，那么加速效果是相當明顯的。使用參考文章中提供的相同測試用例和訓練方法（500 個訓練模式，1000 個訓練迭代），神經(jīng)網(wǎng)絡(luò)訓練時間從 2000 秒左右減到了 600 秒左右 － 提速了 3 倍多。將迭代次數(shù)降到 10，加速的倍數(shù)也成比例降低（但對神經(jīng)網(wǎng)絡(luò)的識別能力無效），迭代的中間數(shù)值也會如此變化。
我發(fā)現(xiàn)使用兩行新代碼就能將運行時間從超過半小時減到 10 分鐘左右，效果非常顯著。這種加速仍可能比 C 編寫的類似應(yīng)用程序的速度慢，而且它肯定比幾個獨立的 Psyco 測試用例所反映出的 100 倍加速要慢。但是這種應(yīng)用程序是相當“真實的”，而且在許多環(huán)境中這些改進已經(jīng)是夠顯著的了。

聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com