6
A
回答
3
如果你预先处理代码与实现尾部呼叫优化的Coconut编译器相比,它们完全相同(与未处理的版本速度一样快),因此您可以使用更方便的任何一种样式。
# Save berna1111's code as rk4.coco; no modifications necessary.
$ coconut --target 3 rk4.coco & python3 rk4.py
50007 function calls in 0.055 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.097 0.097 <string>:1(<module>)
40000 0.038 0.000 0.038 0.000 rk4.py:243(f)
1 0.000 0.000 0.000 0.000 rk4.py:246(RK4)
10000 0.007 0.000 0.088 0.000 rk4.py:247(<lambda>)
1 0.010 0.010 0.097 0.097 rk4.py:250(test_RK4)
1 0.000 0.000 0.097 0.097 {built-in method builtins.exec}
2 0.000 0.000 0.000 0.000 {built-in method numpy.core.multiarray.empty}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
50006 function calls in 0.057 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.057 0.057 <string>:1(<module>)
40000 0.030 0.000 0.030 0.000 rk4.py:243(f)
10000 0.019 0.000 0.049 0.000 rk4.py:265(rk4_step)
1 0.007 0.007 0.057 0.057 rk4.py:273(test_rk4)
1 0.000 0.000 0.057 0.057 {built-in method builtins.exec}
2 0.000 0.000 0.000 0.000 {built-in method numpy.core.multiarray.empty}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
4
我适应在给定的链接代码,并使用cProfile比较两种技术:
import numpy as np
import cProfile as cP
def theory(t):
return (t**2 + 4.)**2/16.
def f(x, y):
return x * np.sqrt(y)
def RK4(f):
return lambda t, y, dt: (
lambda dy1: (
lambda dy2: (
lambda dy3: (
lambda dy4: (dy1 + 2*dy2 + 2*dy3 + dy4)/6
)(dt * f(t + dt , y + dy3 ))
)(dt * f(t + dt/2, y + dy2/2))
)(dt * f(t + dt/2, y + dy1/2))
)(dt * f(t , y ))
def test_RK4(dy=f, x0=0., y0=1., x1=10, n=10):
vx = np.empty(n+1)
vy = np.empty(n+1)
dy = RK4(f=dy)
dx = (x1 - x0)/float(n)
vx[0] = x = x0
vy[0] = y = y0
i = 1
while i <= n:
vx[i], vy[i] = x + dx, y + dy(x, y, dx)
x, y = vx[i], vy[i]
i += 1
return vx, vy
def rk4_step(dy, x, y, dx):
k1 = dx * dy(x, y)
k2 = dx * dy(x + 0.5 * dx, y + 0.5 * k1)
k3 = dx * dy(x + 0.5 * dx, y + 0.5 * k2)
k4 = dx * dy(x + dx, y + k3)
return x + dx, y + (k1 + k2 + k2 + k3 + k3 + k4)/6.
def test_rk4(dy=f, x0=0., y0=1., x1=10, n=10):
vx = np.empty(n+1)
vy = np.empty(n+1)
dx = (x1 - x0)/float(n)
vx[0] = x = x0
vy[0] = y = y0
i = 1
while i <= n:
vx[i], vy[i] = rk4_step(dy=dy, x=x, y=y, dx=dx)
x, y = vx[i], vy[i]
i += 1
return vx, vy
cP.run("test_RK4(n=10000)")
cP.run("test_rk4(n=10000)")
,并得到:
90006 function calls in 0.095 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.095 0.095 <string>:1(<module>)
40000 0.036 0.000 0.036 0.000 untitled1.py:13(f)
1 0.000 0.000 0.000 0.000 untitled1.py:16(RK4)
10000 0.008 0.000 0.086 0.000 untitled1.py:17(<lambda>)
10000 0.012 0.000 0.069 0.000 untitled1.py:18(<lambda>)
10000 0.012 0.000 0.048 0.000 untitled1.py:19(<lambda>)
10000 0.009 0.000 0.027 0.000 untitled1.py:20(<lambda>)
10000 0.009 0.000 0.009 0.000 untitled1.py:21(<lambda>)
1 0.009 0.009 0.095 0.095 untitled1.py:28(test_RK4)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
2 0.000 0.000 0.000 0.000 {numpy.core.multiarray.empty}
50005 function calls in 0.064 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.064 0.064 <string>:1(<module>)
40000 0.032 0.000 0.032 0.000 untitled1.py:13(f)
10000 0.026 0.000 0.058 0.000 untitled1.py:43(rk4_step)
1 0.006 0.006 0.064 0.064 untitled1.py:51(test_rk4)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
2 0.000 0.000 0.000 0.000 {numpy.core.multiarray.empty}
所以,我要说,在“lambda
的function calloverhead “实施使其变慢。
不过要小心,不知怎的,我似乎已经失去了一些精度,作为结果,尽管彼此同意,更又比在本例中的那些:
>>> vx, vy = test_rk4()
>>> vy
array([ 1. , 1.56110667, 3.99324757, ..., 288.78174798,
451.27952013, 675.64427775])
>>> vx, vy = test_RK4()
>>> vy
array([ 1. , 1.56110667, 3.99324757, ..., 288.78174798,
451.27952013, 675.64427775])
2
@ berna1111和@ matt2000都是正确的。由于函数调用,lambda版本会导致额外的开销。尾巴呼叫优化将尾部呼叫转换为一个while循环(即将Lambda版本自动转换为while版本),消除了函数调用开销。
请参阅https://stackoverflow.com/a/13592002/7421639为什么Python不会自动执行此优化,您必须使用像Coconut这样的工具来执行预处理。
相关问题
- 1. 使用RK4
- 2. RuntimeWarning使用lambda函数(Win8计算机)
- 3. 在lambda函数中使用参数
- 4. 在Python lambda函数中使用OR运算符
- 5. 在Python中使用相同的运算符添加lambda函数
- 6. 在thymeleaf中使用java lambda函数运算符( - >)
- 7. 使用lambda函数
- 8. 使用RK4在Haskell中建立摆锤
- 9. 在Lambda函数中使用Firebase API AWS
- 10. 在lambda函数中使用反向
- 11. 在Lambda函数中使用node-canvas?
- 12. 在reduce函数中使用lambda函数中的math.factorial()
- 13. 如何在pySpark中使用takeOrdered函数中的lambda函数?
- 14. lambda中的非法函数调用
- 15. 为JSON使用lambda函数
- 16. 在lambda函数
- 17. 在函数内使用lambda的Python
- 18. Cognito在调用lambda函数
- 19. 无法理解lambda函数
- 20. 三元运算符不能使用lambda函数
- 21. 通用lambda函数
- 22. AWS Lambda使用codecommit中的函数创建另一个lambda
- 23. 在for_each lambda中调用对象函数?
- 24. 如何在Lambda .NET中调用用户定义函数语法
- 25. lambda函数使用未知参数
- 26. 使用lambda写入函数并应用
- 27. 使用boost :: lambda调用成员函数
- 28. 在属性构造函数中使用Lambda来获取方法的参数
- 29. 在带有lambda函数的数据框中使用if语句
- 30. 在python中使用lambda函数添加教堂数字