Leer Basisprincipes van Timing en Benchmarking | Begrijpen en Meten van Prestaties

Aangezien we in deze cursus geen nadruk leggen op tijdcomplexiteitsanalyse, richten we ons op empirische (praktische) methoden om de daadwerkelijke prestaties van code te meten. Een van de eenvoudigste manieren om de prestaties van een codefragment te meten is door gebruik te maken van de ingebouwde functie time.time().

Deze functie geeft de huidige tijd in seconden sinds de epoch (het referentiepunt van het systeem voor tijd) terug. Door time.time() vóór en na een stuk code aan te roepen, kun je het verschil berekenen om te zien hoe lang de uitvoering duurt.


              123456789101112131415
            
import time

# Record the start time
start_time = time.time() 

# Code you want to measure
result = [x**2 for x in range(1000000)]

# Record the end time
end_time = time.time()

# Calculate the difference to get the execution time
execution_time = end_time - start_time

print(f'Execution time: {execution_time} seconds')

Hoewel het gebruik van time.time() eenvoudig en effectief is voor globale schattingen, kent het verschillende beperkingen:

Lage resolutie: de precisie van time.time() kan variëren afhankelijk van het besturingssysteem, wat kan leiden tot onnauwkeurige resultaten bij kleine bewerkingen;
Overhead: het omvat andere systeemprocessen die op de achtergrond draaien, wat de meting kan verstoren;
Geen herhaling: voor nauwkeurigere metingen is het vaak nodig om dezelfde code meerdere keren uit te voeren om een gemiddelde te berekenen, iets wat time.time() niet automatisch doet.

Voordelen van het gebruik van timeit

De timeit-module is een geavanceerder hulpmiddel dat is ontworpen om de beperkingen van time.time() te overwinnen en een betrouwbare manier te bieden om de uitvoeringstijd van kleine codefragmenten te meten, vaak aangeduid als micro-benchmarking.

De belangrijkste voordelen van timeit zijn:

Hoge precisie: timeit gebruikt onderliggend time.perf_counter(), een timer met hoge resolutie die ook tijd meet tijdens slaap en wachten op I/O, waardoor het nauwkeuriger is voor korte intervallen dan time.time();
Automatische herhaling: timeit voert de code automatisch meerdere keren uit en berekent de gemiddelde uitvoeringstijd. Dit helpt de invloed van achtergrondprocessen te verminderen en biedt een betrouwbaardere maat voor de codeprestaties;
Minimale overhead: timeit is ontworpen om in een schone omgeving te draaien, waarbij tijdelijk garbage collection wordt uitgeschakeld om ervoor te zorgen dat de metingen zich richten op de te benchmarken code zonder verstoring door geheugenbeheer.


              1234567
            
import timeit
# Code snippet to test
code_snippet = 'result = [x**2 for x in range(1000000)]'
# Running timeit to measure execution time
iterations = 30
execution_time = timeit.timeit(code_snippet, number=iterations)
print(f'Average Execution Time: {execution_time / iterations} seconds')

In dit voorbeeld voert timeit.timeit() de code die als string is opgegeven (de variabele code_snippet) 30 keer uit (gespecificeerd door de parameter number) en retourneert de totale uitvoeringstijd voor alle 30 runs. Door de totale tijd te delen door het aantal iteraties (30), kan de gemiddelde uitvoeringstijd voor één run worden berekend.

Het kiezen van het aantal iteraties

Het kiezen van het aantal iteraties hangt af van de complexiteit van de code die u wilt benchmarken en de nauwkeurigheid die u vereist in de timingresultaten. Door uw code met verschillende aantallen iteraties uit te voeren, kunt u de stabiliteit van de resultaten beoordelen; als de uitvoeringstijden consistent zijn, heeft u waarschijnlijk een optimaal aantal iteraties gevonden.

Voor zeer snelle codefragmenten (milliseconden of minder), streef naar 1000+ iteraties om betrouwbare gemiddelden te verkrijgen. Voor code met een gemiddelde looptijd (enkele milliseconden tot seconden) zijn 100 tot 500 iteraties doorgaans voldoende. Voor langer lopende code (enkele seconden of meer) bieden 10 tot 50 iteraties meestal een goed evenwicht tussen nauwkeurigheid en de tijd die aan benchmarking wordt besteed.

1. Welke functie biedt hoge precisie en voert de code automatisch meerdere keren uit om een gemiddelde uitvoeringstijd te berekenen?

2. Waarom kan het gebruik van `time.time()` voor prestatiemeting minder betrouwbaar zijn dan `timeit.timeit()`?

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 2

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Suggested prompts:

Can you explain how to use the timeit module with functions instead of code strings?

What are some best practices for benchmarking code performance in Python?

Can you provide more examples of using timeit for different types of code?

Awesome!

Completion rate improved to 7.69

Veeg om het menu te tonen


              123456789101112131415
            
import time

# Record the start time
start_time = time.time() 

# Code you want to measure
result = [x**2 for x in range(1000000)]

# Record the end time
end_time = time.time()

# Calculate the difference to get the execution time
execution_time = end_time - start_time

print(f'Execution time: {execution_time} seconds')

Hoewel het gebruik van time.time() eenvoudig en effectief is voor globale schattingen, kent het verschillende beperkingen:

Lage resolutie: de precisie van time.time() kan variëren afhankelijk van het besturingssysteem, wat kan leiden tot onnauwkeurige resultaten bij kleine bewerkingen;
Overhead: het omvat andere systeemprocessen die op de achtergrond draaien, wat de meting kan verstoren;
Geen herhaling: voor nauwkeurigere metingen is het vaak nodig om dezelfde code meerdere keren uit te voeren om een gemiddelde te berekenen, iets wat time.time() niet automatisch doet.

Voordelen van het gebruik van timeit

De belangrijkste voordelen van timeit zijn:

Hoge precisie: timeit gebruikt onderliggend time.perf_counter(), een timer met hoge resolutie die ook tijd meet tijdens slaap en wachten op I/O, waardoor het nauwkeuriger is voor korte intervallen dan time.time();
Automatische herhaling: timeit voert de code automatisch meerdere keren uit en berekent de gemiddelde uitvoeringstijd. Dit helpt de invloed van achtergrondprocessen te verminderen en biedt een betrouwbaardere maat voor de codeprestaties;
Minimale overhead: timeit is ontworpen om in een schone omgeving te draaien, waarbij tijdelijk garbage collection wordt uitgeschakeld om ervoor te zorgen dat de metingen zich richten op de te benchmarken code zonder verstoring door geheugenbeheer.


              1234567
            
import timeit
# Code snippet to test
code_snippet = 'result = [x**2 for x in range(1000000)]'
# Running timeit to measure execution time
iterations = 30
execution_time = timeit.timeit(code_snippet, number=iterations)
print(f'Average Execution Time: {execution_time / iterations} seconds')

Het kiezen van het aantal iteraties

1. Welke functie biedt hoge precisie en voert de code automatisch meerdere keren uit om een gemiddelde uitvoeringstijd te berekenen?

2. Waarom kan het gebruik van `time.time()` voor prestatiemeting minder betrouwbaar zijn dan `timeit.timeit()`?

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 2

Basisprincipes van Timing en Benchmarking

Voordelen van het gebruik van timeit

Het kiezen van het aantal iteraties

1. Welke functie biedt hoge precisie en voert de code automatisch meerdere keren uit om een gemiddelde uitvoeringstijd te berekenen?

2. Waarom kan het gebruik van time.time() voor prestatiemeting minder betrouwbaar zijn dan timeit.timeit()?

Awesome!

Basisprincipes van Timing en Benchmarking

Voordelen van het gebruik van timeit

Het kiezen van het aantal iteraties

1. Welke functie biedt hoge precisie en voert de code automatisch meerdere keren uit om een gemiddelde uitvoeringstijd te berekenen?

2. Waarom kan het gebruik van time.time() voor prestatiemeting minder betrouwbaar zijn dan timeit.timeit()?

2. Waarom kan het gebruik van `time.time()` voor prestatiemeting minder betrouwbaar zijn dan `timeit.timeit()`?

2. Waarom kan het gebruik van `time.time()` voor prestatiemeting minder betrouwbaar zijn dan `timeit.timeit()`?