จุดที่ต้องระวังด้านประสิทธิภาพของการทำงานร่วมกัน

การเรียก Python จาก Mojo ทรงพลัง แต่ไม่ได้เกิดขึ้นโดยไม่มีต้นทุน การรู้จักต้นทุนเหล่านี้ช่วยให้โปรแกรมของคุณยังคงทำงานได้รวดเร็ว 🐢

การข้ามเข้าไปใน Python ทุกครั้งมีค่าใช้จ่ายแฝง เนื่องจาก Mojo ต้องสื่อสารกับตัวแปลภาษา Python ในแต่ละครั้งที่เรียก

การเรียก Python ภายในลูปที่ทำงานถี่จะเสียต้นทุนดังกล่าวในทุกครั้งที่วนซ้ำ หากทำได้ ให้ย้ายการเรียกเหล่านั้นไปไว้นอกลูป

แทนที่จะเรียกหลายครั้งด้วยข้อมูลเล็ก ๆ ให้ส่งข้อมูลครั้งเดียวแล้วให้ NumPy ประมวลผลแบบเป็นชุดใหญ่ โดยจ่ายต้นทุนของสะพานเชื่อมเพียงครั้งเดียว

การย้ายข้อมูลขนาดใหญ่ข้ามสะพานเชื่อมมักคัดลอกข้อมูลนั้นเข้าสู่หน่วยความจำของ Python การคัดลอกขนาดใหญ่ใช้เวลาและเพิ่มการใช้หน่วยความจำเป็นสองเท่า

การทำงานกับ PythonObject ยังคงต้องผ่านกลไกแบบไดนามิกของ Python ซึ่งช้ากว่าชนิดข้อมูลดั้งเดิมของ Mojo มาก

สำหรับการคำนวณที่ทำงานบ่อย ให้แปลงผลลัพธ์เป็นชนิดข้อมูลดั้งเดิมของ Mojo ก่อน จากนั้นจึงรันลูปความเร็วสูงและ SIMD กับข้อมูลเหล่านั้น

สงวน Python ไว้สำหรับการตั้งค่าและการรับส่งข้อมูล ส่วนเคอร์เนลที่มีความสำคัญต่อประสิทธิภาพควรทำงานทั้งหมดด้วยโค้ด Mojo ล้วน

เรียก import_module เพียงครั้งเดียวแล้วใช้ตัวจัดการนั้นซ้ำ การนำเข้าใหม่ทุกครั้งที่เรียกเป็นการเสียเวลาโดยไม่ได้ประโยชน์

อย่าคาดเดาว่าเวลาเสียไปกับส่วนใด ให้วัดผลก่อน แล้วคุณอาจพบว่าสะพานเชื่อม ไม่ใช่การคำนวณ เป็นคอขวดที่แท้จริง

เมื่อใช้อย่างเหมาะสม การทำงานร่วมกันจะให้เครื่องมือของ Python โดยไม่เสียความเร็ว: ข้ามสะพานเชื่อมให้น้อยครั้ง แล้วคำนวณใน Mojo ⚡

ทบทวนวิธีที่ดีที่สุดในการป้องกันไม่ให้การทำงานร่วมกับ Python ทำให้ลูปที่ทำงานบ่อยช้าลง

คุณได้เรียนรู้ว่าการทำงานร่วมกันมีค่าใช้จ่ายแฝง: ข้ามสะพานเชื่อมให้น้อยครั้ง รวมข้อมูลเป็นชุด แปลงเป็นชนิดข้อมูลดั้งเดิม และให้เส้นทางสำคัญทำงานด้วย Mojo ล้วน 🎯