Vysoce výkonný Python: Praktické výkonné programování pro lidi

Recenze čtenářů

Kniha je oceňována pro důkladné pokrytí pokročilých programovacích technik jazyka Python, zejména pokud jde o optimalizaci výkonu a paměti. Poskytuje praktické příklady a vysoce kvalitní obsah, takže je vhodná pro středně pokročilé uživatele. Někteří čtenáři ji však považují za příliš dlouhou se zbytečným výplňovým obsahem, nepřehledným stylem psaní a nedostatečnou hloubkou v některých oblastech.

Podrobné metody profilování programů v jazyce Python, kvalitní příklady, komplexní pokrytí výkonnosti a správy paměti, dobře strukturovaný obsah, který slouží jako učební pomůcka i jako reference, napsaný zkušenými autory, nabízí užitečný pohled na interakce jazyka Python s architekturou počítače.

Kniha je považována za příliš obsáhlou s množstvím výplně, některé příklady jsou příliš složité, styl psaní je krkolomný a matoucí a některá témata postrádají hloubku, zejména pokud jde o konkrétní moduly a praktické příklady.

(na základě 14 hodnocení čtenářů)

Původní název:

High Performance Python: Practical Performant Programming for Humans

Obsah knihy:

Váš kód v jazyce Python může běžet správně, ale potřebujete, aby běžel rychleji. Toto rozšířené vydání, aktualizované pro Python 3, vám ukáže, jak najít úzká místa výkonu a výrazně zrychlit kód v programech s velkým objemem dat. Tím, že zkoumá základní teorii stojící za volbami návrhu, vám High Performance Python pomůže získat hlubší porozumění implementaci jazyka Python.

Jak využít výhod vícejádrových architektur nebo clusterů? Nebo vytvořit systém, který se škáluje nahoru a dolů bez ztráty spolehlivosti? Zkušení programátoři v Pythonu se dozvědí konkrétní řešení mnoha otázek spolu s válečnými příběhy z firem, které používají vysoce výkonný Python pro analýzu sociálních médií, produkční strojové učení a další.

⬤ Získáte lepší přehled o NumPy, Cythonu a profilerech.

⬤ Zjistíte, jak Python abstrahuje základní počítačovou architekturu.

⬤ Používejte profilování k nalezení úzkých míst v čase procesoru a využití paměti.

⬤ Napsat efektivní programy výběrem vhodných datových struktur.

⬤ Zrychlit maticové a vektorové výpočty.

⬤ Používat nástroje pro kompilaci jazyka Python do strojového kódu.

⬤ Spravovat více I/O a výpočetních operací současně.

⬤ Převést víceprocesorový kód pro běh na místních nebo vzdálených clusterech.

⬤ Rychlejší nasazení kódu pomocí nástrojů, jako je Docker.