python 高性能编程 AOT VS JIT

python的动态性

def f(x,y):
    return x+y

print(f(1,2))
print(f("a","b"))

python具有动态性但实际较少用到，这给编译器的编译带来困难,编译时会进行选择跳转，导致动态语言很慢.

AOT 提前编译 ahead-of-time compilation

• 在运行程序代码之前在单独的步骤中编译函数，生成可以独立分发的磁盘二进制对象。这是 C、C++ 或 Fortran 等语言中已知的传统编译类型。
• 运行时没有编译开销。
• AOT 编译为您的 CPU 架构系列（例如“x86-64”）生成通用代码，而 JIT 编译为您的特定 CPU 型号生成优化的代码

Cpython（将Cpython的代码编译为.so）

· 安装包

pip install Cpython

· 引入包

import cython

• 编写Cpython的代码

# 如官方的教程，编写Cpython的代码有两种方式，与传统python不同的是代码都有明显的类别标志
# 一是编写py文件 integrate_cy.py
def f(x: cython.double):
    return x ** 2 - x
def integrate_f(a: cython.double, b: cython.double, N: cython.int):
    i: cython.int
    s: cython.double
    dx: cython.double
    s = 0
    dx = (b - a) / N
    for i in range(N):
        s += f(a + i * dx)
    return s * dx
# 另一种是编写pyx文件 integrate_cy.pyx
def f(double x):
    return x ** 2 - x
def integrate_f(double a, double b, int N):
    cdef int i
    cdef double s
    cdef double dx
    s = 0
    dx = (b - a) / N
    for i in range(N):
        s += f(a + i * dx)
    return s * dx

• 编译为C代码

# 更多参见链接
from setuptools import setup
from Cython.Build import cythonize

setup(
    ext_modules = cythonize("example.pyx")
)

JIT 即时编译 Just In Time Compilation

• 在程序运行时不断检测统计，进行编译

PyPy

• 下载，安装
• 在终端中 pypy3 test.py

numba

• 安装

pip install numba

• 简单使用

from numba import jit
# 只需要添加一个装饰器
## 普通的方式
@jit(nopython=True)
def f(x): ...
## 强制类型的方式
@jit(["int32(int32)", "float32(float32)"], nopython=True)
def f(x): ...

jax（google出品的主要应用与及其学习）

from jax import jit

@jit
def f(x): ...
或者
高阶函数的方法
jitf = jit(f)

在使用是可以对程序中的重要部分抽取出来机型jit的单独优化，更多详细的使用见官方文档链接。

参考

具体实现可以参考 Python高性能(（加）加布丽埃勒·拉纳诺著；袁国忠译):

# AOT
[https://micropython.org/](https://micropython.org/)
[添加链接描述](http://www.360doc.com/content/21/0618/14/66515661_982600652.shtml)
[漫游深度学习编译器](https://zhuanlan.zhihu.com/p/410507557)

# JIT
[numba](https://numba.pydata.org/)
[numba doc](https://numba.pydata.org/numba-doc/dev/user/pycc.html)
[numba从入门到精通（1）—为什么numba能够加速](https://zhuanlan.zhihu.com/p/68720474)
[Pyjion is a drop-in JIT Compiler for Python 3.10. It can be pip installed into a CPython 3.10 installation on Linux, Mac OS X, or Windows.](https://www.trypyjion.com/)
【【编译原理】Python性能提升20倍的背后原理 - JIT做了什么事情-哔哩哔哩】 https://b23.tv/FOY3vaa
[Representation-based just-in-time specialization and the psyco prototype for python](https://www.semanticscholar.org/paper/Representation-based-just-in-time-specialization-Rigo/8ebddcd309160b5dfe302bd32139a8baca4ac8a2)
[添加链接描述](https://www.doc88.com/p-9925242953098.html)
[CS 6120 课程博客-动态语言的基于跟踪的即时类型专业化](https://www.cs.cornell.edu/courses/cs6120/2019fa/blog/tbjit-type-specialization/)

# pytorch 的jit
[PyTorch 的 1.0 版本发布的最核心的两个新特性就是 JIT 和 C++ API，这两个特性一起发布不是没有道理的，JIT 是 Python 和 C++ 的桥梁，我们可以使用 Python 训练模型，然后通过 JIT 将模型转为语言无关的模块，从而让 C++ 可以非常方便得调用，从此「使用 Python 训练模型，使用 C++ 将模型部署到生产环境」对 PyTorch 来说成为了一件很容易的事。而因为使用了 C++，我们现在几乎可以把 PyTorch 模型部署到任意平台和设备上：树莓派、iOS、Android 等等](https://zhuanlan.zhihu.com/p/370455320)
[我简单写了一个简单的 MNIST demo，从使用 Python 训练到用 JIT 将 Python 模型转换为 TorchScript Module，然后用 C++ 加载 TorchScript Module 做推断的完整的过程](https://github.com/louis-she/torchscript-mnist)
[pytorch JIT浅解析](https://blog.csdn.net/xxradon/article/details/86504906)

# 其它
## 反汇编模块dis
[python中dis的用法](https://www.jianshu.com/p/9553fa2c5c8b)

## Jython
[Jython:在java中写python](https://www.jython.org/)