لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش سریعتر کد پایتون
Faster Python Code
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
با بهینه سازی کد پایتون ، می توانید اطمینان حاصل کنید که کد شما از منابع کمتری استفاده می کند و سریعتر از آنچه در گذشته کار می کرد ، اجرا می شود. در این دوره پیشرفته ، نکات و تکنیک هایی را جستجو کنید که به شما کمک می کند کد خود را برای کارآیی بیشتر بهینه کنید. مربی Miki Tebeka ابزارهای عمومی تجارت را شامل می شود ، از جمله چگونگی استفاده از ابزارهایی که پایتون برای اندازه گیری زمان ارائه می دهد و نحوه استفاده از line_profiler برای دریافت اطلاعات پروفایل خط به خط. Miki همچنین نحوه انتخاب ساختارهای داده مناسب ، چگونگی الگوریتم های تقریب برای سرعت بخشیدن به کد شما و نحوه استفاده از NumPy برای محاسبه سریع عددی را به اشتراک می گذارد. او دوره را با بحث در مورد چگونگی ادغام عملکرد در روند کار خود به پایان می برد.
موضوعات شامل:
قوانین بهینه سازی li>
زمان اندازه گیری li>
استفاده از line_profiler
انتخاب ساختار داده مناسب li>
استفاده از ماژول bisect
تخصیص حافظه در پایتون li>
ذخیره سازی ، تقلب و محاسبات موازی li>
NumPy ، Numba و Cython
طراحی و بررسی کد li>
سرفصل ها و درس ها
مقدمه
Introduction
خوش آمدی
Welcome
آنچه باید بدانید
What you should know
1. ابزار تجارت
1. Tools of the Trade
همیشه اول نمایه کنید
Always profile first
نکات کلی
General tips
اندازه گیری زمان
Measuring time
پروفایل CPU
CPU profiling
line_profiler
line_profiler
ردیابی تخصیص حافظه
Tracing memory allocations
حافظه_فروشنده
memory_profiler
2. چیدن ساختار داده مناسب
2. Picking the Right Data Structure
نماد بزرگ-O
Big-O notation
بیتکت
bisect
گوزن
deque
انبوه
heapq
فراتر از کتابخانه استاندارد
Beyond the standard library
3. ترفندهای تجارت
3. Tricks of the Trade
ذخیره محلی نامها
Local caching of names
تماسهای عملکرد را حذف کنید
Remove function calls
با استفاده از __slots__
Using __slots__
ساخته شده
Built-ins
اختصاص دادن
Allocate
4. ذخیره سازی
4. Caching
بررسی اجمالی
Overview
پیش محاسبه
Pre-calculating
lru_cache
lru_cache
جابلیب
Joblib
5. تقلب
5. Cheating
وقتی تقریب به اندازه کافی خوب باشد
When approximation is good enough
مثال تقلب
Cheating example
6. محاسبات موازی
6. Parallel Computing
قانون Amdahl
Amdahl's Law
موضوعات
Threads
مراحل
Processes
asyncio
asyncio
7. فراتر از پایتون
7. Beyond Python
NumPy
NumPy
نومبا
Numba
سیتون
Cython
پیپی
PyPy
پسوندهای C
C extensions
8. اضافه کردن بهینه سازی به فرآیند شما
8. Adding Optimization to Your Process
چرا ما نیاز به یک فرآیند داریم؟
Why do we need a process?
در کار خود در 353Solutions، Miki کارگاه های عملی ارائه می دهد که به متخصصان کمک می کند درک خود را از Python تقویت کنند. و برو. علاوه بر این، او خدمات مشاوره ای متناسب با تخصص در ساخت زیرساخت های کلان داده را ارائه می دهد. همانطور که کار او در 353Solutions نشان می دهد، او در Python and Go و همچنین C++، JavaScript، Clojure و موارد دیگر مهارت بالایی دارد.
نمایش نظرات