Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
python:optimisation_python [2017/11/24 16:36] marc dexet [Les solutions] |
python:optimisation_python [2017/11/24 16:41] (Version actuelle) marc dexet [Optimisation en Python] |
||
---|---|---|---|
Ligne 4: | Ligne 4: | ||
C'est une démarche délicate et parfois chronophage. | C'est une démarche délicate et parfois chronophage. | ||
- | Il faut parfois évaluer le coût de l'optimisation au regard du bénéfice obtenu. | + | **Il faut parfois évaluer le coût de l'optimisation au regard du bénéfice obtenu.** |
===== Attention à l'optimisation prématurée ===== | ===== Attention à l'optimisation prématurée ===== | ||
Ligne 22: | Ligne 22: | ||
Pour le calcul, Python n'est pas un outil très pertinent. Il est nécessaire de s'appuyer sur des librairies spécialisées comme http://www.numpy.org/ qui sont écrites en C++. | Pour le calcul, Python n'est pas un outil très pertinent. Il est nécessaire de s'appuyer sur des librairies spécialisées comme http://www.numpy.org/ qui sont écrites en C++. | ||
- | ==== Les anti-patterns ==== | + | ====== Les anti-patterns ====== |
TBD: mettre ici les doubles boucles python | TBD: mettre ici les doubles boucles python | ||
- | ==== Les solutions ==== | + | ====== Les solutions ====== |
TBD: refaire le benchmarking | TBD: refaire le benchmarking | ||
- | === Numba === | + | ===== Numba ===== |
- | <code> | + | https://github.com/numba/numba |
+ | TBD: Expliquer le contexte | ||
+ | |||
+ | <code python> | ||
+ | from numba import jit | ||
+ | |||
+ | @jit | ||
+ | def ma_function_a_optimiser(): | ||
+ | ... | ||
</code> | </code> | ||