如何提高python的运行效率_提升Python项目完成效率的调试方法技巧(上)

效率提升是极为重要的事情，我们的时间本来就不充裕，不应该过多将时间浪费在调试过程中。对于大型项目光有dubug是不够的，如果需要提高产品调试进度，必须需要采取一些其他的方法，这里打算利用python的特性以及一些规范方法来说明一下，当然类似的方法不仅仅可以用于python，其他编程语言也是通用的。

注意，我们要吸收的不是方法，而是思想。

使用assert断言来判断代码是否正常运行

assert断言从C语言中就已经有了，在C++中也经常使用。当然python语言也继承了这个特性。总体来说assert就是首先假设一个语句没有问题，如果有问题则抛出Assert异常。

断言一般用于在调试中使用，也就是用于debug代码的时候。个人建议写在一眼看不出来是否正确需要仔细检查的部分，比如：

def style_hook(self, module, grad_input, grad_output):

self.mask = self.mask[:, 0:1, :, :]

# 这段代码对grad_input[0]和self.mask的shape进行了匹配，当然如果输入到这个函数时，前两者变量就是错

# 误的那么这段代码无论如何也不可能正确执行，因此在调试的时候在这个项目的其他代码中对这两个变量进行了

# 修改从而使这段代码正确执行，修改完后，断言部分可注释掉，但是如果保留可以预防其他数据导致的bug

assert grad_input[0].shape == self.mask.shape, \

'grad_input:{} is not matchable with mask:{}'.format(grad_input[0].shape, self.mask.shape)

grad_input_1 = grad_input[0].div(torch.norm(grad_input[0], 1) + 1e-8)

grad_input_1 = grad_input_1 * self.weight

grad_input_1 = grad_input_1 * self.mask

grad_input = tuple([grad_input_1, grad_input[1], grad_input[2]])

return grad_input

当然Assert断言操作也不是越多越好，容易造成程序的混乱和效率问题，总之我们可以在一些重要的数据，需要作注释来检查的地方使用断言进行替代，可以有效对代码进行调试。

使用tqdm来代替print显示结果

tqdm是一个比python自带的原生的print打印函数打印信息更好的打印进度工具。

下面的动图来源自官网。

看起来比我们普通使用print打印更加“好看一些”，其实使用这个工具主要作用在于时间预测和速度估计，在训练的时候可以自己设定一个速度的标准，然后在训练的时候可以通过观察速度变化做出一些判断，或者根据估计出来的需要时间来估计训练所需要的时间。

在训练中保存记录log

保存Log记录是很重要的，我们不应当只在训练中实时观察输出结果，也应该在训练过程中对中间数据进行统计。一般是将每一次训练的时间、训练参数、以及训练结果打包放到一个目录下，目录的名称根据训练参数和结果而定，保证之后的查阅方便以及便于分析：

# 下方的代码返回一个我们要生成目录的名称，并且保存了参数信息

def get_log_dir(model_name, config_id, cfg):

# load config

name = 'MODEL-%s_CFG-%03d' % (model_name, config_id)

for k, v in cfg.items():

v = str(v)

if '/' in v:

continue

name += '_%s-%s' % (k.upper(), v)

now = datetime.datetime.now(pytz.timezone('Asia/Shanghai'))

name += '_VCS-%s' % git_hash()

name += '_TIME-%s' % now.strftime('%Y%m%d-%H%M%S')

# create out

log_dir = osp.join(here, 'logs', name)

if not osp.exists(log_dir):

os.makedirs(log_dir)

with open(osp.join(log_dir, 'config.yaml'), 'w') as f:

yaml.safe_dump(cfg, f, default_flow_style=False)

return log_dir

参数使用字典或者list包含起来或者使用命令进行输入

如果训练参数数量多，建议将训练参数写成字典的形式：

configurations = {

1: dict(

max_iteration=100000,

lr=1.0e-10,

momentum=0.99,

weight_decay=0.0005,

interval_validate=4000,

)

}

也可以使用命令行参数的功能单独对特定的参数进行调整：

parser.add_argument("-content_weight", type=int, default=8)

parser.add_argument("-style_weight", type=int, default=2000)

parser.add_argument("-tv_weight", type=float, default=1e-3)

parser.add_argument("-num_iterations", type=int, default=8000)

parser.add_argument("-normalize_gradients", action='store_true')

parser.add_argument("-init", default="random", choices=["random", "image"])

parser.add_argument("-init_image", help="initial image")

parser.add_argument("-optimizer", help="optimiser", default="lbfgs", choices=["lbfgs", "adam"])

parser.add_argument("-learning_rate", type=float, default=1e0)

# 使用时调用 args.content_weight args.init 即可

使用git进行版本控制

git不多说，版本控制神器，不管是公司中正式的项目代码还是你个人使用的练习项目，使用git的的好处都是不言而喻。

我们还可以通过使用python中的subprocess模块来自动执行git命令来获取当前的commot信息从而让我们对我们代码的版本和修改过程有一个直观的过程。

# 下面的代码返回当前一个commit的commit哈希码值和提交作者的信息

def git_hash():

cmd = 'git log -n 1 --pretty="%h -%ar"'

hash = subprocess.check_output(shlex.split(cmd)).strip()

return hash

注意

好的习惯并不能直接帮助我们提高效率，需要我们在习惯这些技巧的过程中逐渐掌握一些窍门。另外，虽然这些方法需要我们投入时间去学习，但是如果熟练了这些技巧，对调试程序的好处是巨大的。