这段代码:
import numpy as np
import cProfile
shp = (1000,1000)
a = np.ones(shp)
o = np.zeros(shp)
def main():
np.divide(a,1,o)
for i in xrange(20):
np.multiply(a,2,o)
np.add(a,1,o)
cProfile.run('main()')
仅打印:
3 function calls in 0.269 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.269 0.269 <string>:1(<module>)
1 0.269 0.269 0.269 0.269 testprof.py:8(main)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Prof
iler' objects}
我可以让 cProfile 与 numpy 一起工作来告诉我它对各种
np.*
进行了多少次调用吗?调用以及在每个调用上花费多少时间?编辑
像 hpaulj 建议的那样单独包装每个 numpy 函数太麻烦了,所以我正在尝试这样的东西来临时包装许多或所有感兴趣的函数:
def wrapper(f, fn):
def ff(*args, **kwargs):
return f(*args, **kwargs)
ff.__name__ = fn
ff.func_name = fn
return ff
for fn in 'divide add multiply'.split():
f = getattr(np, fn)
setattr(np, fn, wrapper(f, fn))
但是 cProfile 仍然将它们全部称为
ff
最佳答案
将相关调用包装在 Python 函数中如何?
def mul(*args):
np.multiply(*args)
def add(*args):
np.add(*args)
def main():
np.divide(a,1,o)
for i in xrange(20):
mul(a,2,o)
add(a,1,o)
这基本上是这个 SO 线程中关于改进分析粒度的想法 - 它分析函数调用,而不是行。
Does effective Cython cProfiling imply writing many sub functions?
关于numpy - 使用 cProfile 分析 numpy 没有给出有用的结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20434042/