解决了最近的Advent of Code problem，我发现我的默认Python比PyPy慢约40倍。通过限制对this code的调用并通过在函数中运行来限制全局查找，我能够通过len将其降低到大约17倍。
现在，e.py在python 3.6.3上以5.162秒运行，在我的机器上在PyPy上运行.297秒。
我的问题是：这是JIT的不可缩短的加速，还是有某种方法可以加速CPython的回答？ （没有极端的意思：我可以去Cython / Numba或其他什么？）我如何说服自己，我无能为力？
请参阅gist以获取数字输入文件列表。
如the problem statement所述，它们代表跳跃偏移。 position += offsets[current]，并将当前偏移量增加1.当跳转到达列表之外时，您就完成了。
这是给出的示例（需要5秒的完整输入更长，并且具有更大的数字）：
(0) 3 0 1 -3 - before we have taken any steps.
(1) 3 0 1 -3 - jump with offset 0 (that is, don't jump at all). Fortunately, the instruction is then incremented to 1.
2 (3) 0 1 -3 - step forward because of the instruction we just modified. The first instruction is incremented again, now to 2.
2 4 0 1 (-3) - jump all the way to the end; leave a 4 behind.
2 (4) 0 1 -2 - go back to where we just were; increment -3 to -2.
2 5 0 1 -2 - jump 4 steps forward, escaping the maze.
代码：
def run(cmds):
location = 0
counter = 0
while 1:
try:
cmd = cmds[location]
if cmd >= 3:
cmds[location] -= 1
else:
cmds[location] += 1
location += cmd
if location < 0:
print(counter)
break
counter += 1
except:
print(counter)
break
if __name__=="__main__":
text = open("input.txt").read().strip().split("\n")
cmds = [int(cmd) for cmd in text]
run(cmds)
编辑：我使用Cython编译并运行代码，将运行时间降至2.53秒，但这仍然比PyPy慢几个数量级。
编辑：最好的Cython I could write下降到1.32s，略高于4x pypy
编辑：根据@viraptor的建议，将cmd变量移动到cdef中，使Cython降低到.157秒！几乎快了整整一个数量级，而且距离常规python不远。尽管如此，我对PyPy JIT的印象非常深刻，PyPy JIT完全免费完成了这一切！
作为Python的基线，我在C中编写了这个（然后决定使用C ++来获得更方便的数组I / O）。它使用clang ++有效地编译x86-64。在Skylake x86上运行速度比问题代码CPython3.6.2快82倍，所以即使是速度更快的Python版本，仍然有几个因素可以跟上接近最佳的机器代码。 （是的，我查看了编译器的asm输出，以检查它是否做得很好）。
让一个好的JIT或者提前编译器看到循环逻辑是这里性能的关键。问题逻辑本质上是串行的，因此没有余地让Python运行已编译的C来对整个数组执行某些操作（如NumPy），因为除非你使用Cython或其他东西，否则不会为这个特定问题编译C 。让问题的每一步回到CPython解释器都是性能的死亡，当它的缓慢没有被内存瓶颈或任何东西隐藏时。
更新：将偏移数组转换为指针数组将其加速另一个因子1.5倍（简单寻址模式+从关键路径循环携带的依赖链中删除add，将其简化为4 cycle L1D load-use latency以进行简单寻址模式（when the pointer comes from another load），而不是6c = 5c + 1c用于索引寻址模式+ add延迟）。
但我认为我们可以对Python很慷慨而不期望它跟上算法转换以适应现代CPU：P（特别是因为我使用32位指针即使在64位模式下也能确保4585元素阵列仍然只有18kiB所以它适合32kiB L1D缓存。就像Linux x32 ABI那样，或AArch64 ILP32 ABI。）
此外，更新的替代表达式使gcc编译为无分支，就像clang一样。 （在这个答案中留下了注释和原始的perf stat输出，因为有趣的是看到无分支与错误预测的分支效果。）
unsigned jumps(int offset[], unsigned size) {
unsigned location = 0;
unsigned counter = 0;
do {
//location += offset[location]++; // simple version
// >=3 conditional version below
int off = offset[location];
offset[location] += (off>=3) ? -1 : 1; // branchy with gcc
// offset[location] = (off>=3) ? off-1 : off+1; // branchless with gcc and clang.
location += off;
counter++;
} while (location < size);
return counter;
}
#include <iostream>
#include <iterator>
#include <vector>
int main()
{
std::ios::sync_with_stdio(false); // makes cin faster
std::istream_iterator<int> begin(std::cin), dummy;
std::vector<int> values(begin, dummy); // construct a dynamic array from reading stdin
unsigned count = jumps(values.data(), values.size());
std::cout << count << '\n';
}
使用clang4.0.1 -O3 -march=skylake，内环是无分支的;它对>=3条件使用条件移动。我使用? :，因为这是我希望编译器能做到的。 Source + asm on the Godbolt compiler explorer
.LBB1_4: # =>This Inner Loop Header: Depth=1
mov ebx, edi ; silly compiler: extra work inside the loop to save code outside
mov esi, dword ptr [rax + 4*rbx] ; off = offset[location]
cmp esi, 2
mov ecx, 1
cmovg ecx, r8d ; ecx = (off>=3) ? -1 : 1; // r8d = -1 (set outside the loop)
add ecx, esi ; off += -1 or 1
mov dword ptr [rax + 4*rbx], ecx ; store back the updated off
add edi, esi ; location += off (original value)
add edx, 1 ; counter++
cmp edi, r9d
jb .LBB1_4 ; unsigned compare against array size
这是我的i7-6700k Skylake CPU上的perf stat ./a.out < input.txt（用于铿锵版）的输出：
21841249 # correct total, matches Python
Performance counter stats for './a.out':
36.843436 task-clock (msec) # 0.997 CPUs utilized
0 context-switches # 0.000 K/sec
0 cpu-migrations # 0.000 K/sec
119 page-faults # 0.003 M/sec
143,680,934 cycles # 3.900 GHz
245,059,492 instructions # 1.71 insn per cycle
22,654,670 branches # 614.890 M/sec
20,171 branch-misses # 0.09% of all branches
0.036953258 seconds time elapsed
由于循环中的数据依赖性，每时钟的平均指令远低于4。下一次迭代的加载地址取决于此迭代的加载+添加，而无序执行无法隐藏。但它可以重叠更新当前位置值的所有工作。
从int更改为short没有性能下降（如预期; movsx has the same latency as mov on Skylake），但是内存消耗减半，因此如果需要，更大的阵列可以适合L1D缓存。
我尝试将数组编译到程序中（如int offsets[] = { file contents with commas added };所以它不必被读取和解析。它也使得大小成为编译时常量。这将运行时间减少到~36.2 +/- 0.1毫秒，从~36.8，所以从文件中读取的版本仍然将大部分时间花在实际问题上，而不是解析输入。（与Python不同，C ++的启动开销可以忽略不计，我的Skylake CPU在最佳时钟速度上升到最大时钟速度由于Skylake的硬件P-state管理，在一毫秒之内。）
如前所述，使用像[rdi]而不是[rdi + rdx*4]这样的简单寻址模式的指针追逐具有1c较低的延迟，并且避免了add（index += offset变为current = target）。英特尔，因为IvyBridge在寄存器之间具有零延迟整数mov，因此不会延长关键路径。这是the source (with comments) + asm for this hacky optimization。典型的运行（文本解析为std::vector）：23.26 +- 0.05 ms，90.725 M周期（3.900 GHz），288.724 M instructions（3.18 IPC）。有趣的是，它实际上是更多的总指令，但由于循环携带的依赖链的延迟较低，因此运行速度更快。
gcc使用分支，速度大约慢2倍。 （根据perf stat，整个程序中有14％的分支被错误预测。它只是作为更新值的一部分进行分支，但是分支未命中使管道失效，因此它们也会影响关键路径，而数据依赖性不在此处。这似乎是优化器的糟糕决定。）
重写有条件的offset[location] = (off>=3) ? off-1 : off+1;说服gcc与asm一起看起来不错。
gcc7.1.1 -O3 -march = skylake（用于编译(off <= 3) ? : -1 : +1分支的原始源）。
Performance counter stats for './ec-gcc':
70.032162 task-clock (msec) # 0.998 CPUs utilized
0 context-switches # 0.000 K/sec
0 cpu-migrations # 0.000 K/sec
118 page-faults # 0.002 M/sec
273,115,485 cycles # 3.900 GHz
255,088,412 instructions # 0.93 insn per cycle
44,382,466 branches # 633.744 M/sec
6,230,137 branch-misses # 14.04% of all branches
0.070181924 seconds time elapsed
与CPython（Arch Linux上的Python3.6.2）：
perf stat python ./orig-v2.e.py
21841249
Performance counter stats for 'python ./orig-v2.e.py':
3046.703831 task-clock (msec) # 1.000 CPUs utilized
10 context-switches # 0.003 K/sec
0 cpu-migrations # 0.000 K/sec
923 page-faults # 0.303 K/sec
11,880,130,860 cycles # 3.899 GHz
38,731,286,195 instructions # 3.26 insn per cycle
8,489,399,768 branches # 2786.421 M/sec
18,666,459 branch-misses # 0.22% of all branches
3.046819579 seconds time elapsed
我没有安装PyPy或其他Python实现，抱歉。
你可以改进小事，但是pypy（很可能）在这项任务中总是会更快。
对于CPython和Cython：
对于Cython：
ints的计数器和作为ints数组的命令可以跳过大多数类型检查。