Python 中单个方法的性能测量技术之间的差异

Question

我想弄清楚我的 LDA classifier 预测单个 1080 维向量的 class 需要多长时间。我阅读了这些主题：

Measure time elapsed in Python?
timeit versus timing decorator
How do I get time of a Python program's execution?

发现有几种方法可以做到这一点。我测试了其中的几个，但它们产生了截然不同的结果。

import time
start = time.time()
lda.predict(sample)
end = time.time()
print(str((end-start)*10**6), 'µs')
>>> 1452.9228210449219 µs

timeit module's default_timer:

from timeit import default_timer as timer
start = timer()
lda.predict(sample)
end = timer()
print(str((end-start)*10**6), 'µs')
>>> 979.6129997994285 µs

iPython %timeit 魔法函数：

%timeit lda.predict(sample)
>>> 52 µs ± 873 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我是在做一些荒谬的事情还是对这些差异有其他解释？信任哪一个？先感谢您。

Answer 1

首先，您的系统中可能有多个时钟，具有不同的分辨率和精度。所以，一个时钟可能真的很准确（给我 deez 纳秒，m8！），而另一个可能只测量一整天的时间。可能有 none 实际上在做后者，但你明白了。我还发现了一个非常有趣的 website，它解释了计算机如何测量时间。

其次，CPU 并不总是以同样的速度完成您的任务，因为它还有很多其他事情要做！它实际上以惊人的速度不断地在大量不同的任务之间切换，对于我们这些行动迟缓的人类来说，它看起来像是同时完成所有这些任务。嗯，不。因此，现在您的 CPU 可能比之前几毫秒更忙，这意味着您的任务可能会在几毫秒后执行，反之亦然。

至于iPython的%timeit code，它不像你用的其他方法，运行s code 多次，因此，虽然第一个运行可能会花费很多时间，但由于缓存，后续运行可能会快得多。因此，在这种情况下，在第一个运行期间实际计算结果（这很慢）然后转储到内存中，而其他 69999 运行只是获取该结果，这恰好更快比做计算。我不认为您可以轻松禁用缓存，因为缓存确实内置于 CPU 中，因此任何重复作业的结果可能会被缓存。

但后者可能并非如此。事实证明 %timeit 使用 timeit.Timer（第 139 行的定义 of iPython's source code 和第 945 行的用法）^* 在测量时间之前禁用垃圾收集。这很可能是加速如此剧烈的原因，因为垃圾收集需要花费大量时间，并且如果您的代码相当复杂，那么 GC 必然有很多工作要做。

^* 是的，我知道您可以直接链接到某些行，但出于某种原因这对我不起作用，对此感到抱歉。

Python 中单个方法的性能测量技术之间的差异

Differences between performance measurement techniques for a single method in Python

python

performance

measure

timeit