- 综合排序
- 最热优先
- 最新优先
- 来自专栏初代庄主
4 年时间让 Python 性能提升 5 倍
Guido 在微软开启了一个叫 “Faster-Cpython” 的项目，其目标是在 4 年的时间里让 Cpython 解释器的性能提升 5 倍。 按计划应该是每年把性能提升到之前的 150%，这样经过 4 年刚好提升 5 倍。就 3.11.0 这个版本来说，相比预期还是要差上一些。 其最好的情况下提升 160% ，最坏的情况下提升 110%，综合来看提升 122% 。 我上面说的最好|最坏是基于有做过特定优化的情况，那些没有经过优化的情况自然是没有提升的，部分比之前的版本还要差一些(新版本内存使用量上涨了)。 Python-3.11.0 优化细节 关于 Python-3.11.0 版本的优化了哪些地方，这里我就不提了；原因是之前 beta 版本的时候我就测试整理过，文章的链接如下： Python 之父亲自优化解释器性能
54620编辑于 2022-12-19 变天了，Spring Boot 4 震撼发布！性能提升40%
近期，Spring Boot 4 正式发布。 在 11 月这个时间节点，Spring 官方同时发布了多个旗舰项目的全新主版本： Spring Framework 7、Spring Boot 4、Spring Data 2025.1、Spring AI Spring Boot 4 与 Framework 7 的方向非常明确： 把能在构建期完成的事情全部提前到构建期 。 API 版本管理 ： 通过请求头、参数或媒体类型解析 API 版本 支持标记版本为“已弃用” RestClient、WebClient、WebTestClient 全链路支持 Spring Boot 4 • Spring Framework 7 + Spring Boot 4 + Spring AI 2.x ：激进、前瞻、面向下一个十年。
1.1K10编辑于 2026-03-23- 来自专栏芯智讯
Intel 3 制程详解：性能相比Intel 4 提升18%！
据介绍，Intel 3 带来了更高的性能和更高的晶体管密度，并支持 1.2V 电压，相比Intel 4 采用了更多的EUV步骤，带来了18%的性能提升，适用于超高性能应用。 英特尔一直将其Intel 3 制程工艺定位于数据中心应用，这些应用需要通过改进的晶体管（与Intel 4 相比）、具有降低的晶体管通孔电阻的供电电路以及设计协同优化来实现尖端性能。 在性能方面，英特尔承诺，与Intel 4 相比，Intel 3将在相同功率和晶体管密度下实现 18% 的性能提升，这个提升幅度已经是比较大了。要知道台积电N3制程相比N3也只提升了15%左右。 高密度库的组合，另外M2间距和M4间距均减少了2nm，从而提升了整体的密度和性能。 此外还有性能增强型Intel 3-PT，增加了9um间距TSV和混合键合，对晶体管堆叠技术进行优化，据说Intel 3-PT可以再度实现5%的性能提升，可以用于各种工作负载，例如 AI/HPC 和通用计算
60910编辑于 2024-07-02 - 来自专栏Java架构师进阶
初探性能优化：2个月到4小时的性能提升
一直不知道性能优化都要做些什么，从哪方面思考，直到最近接手了一个公司的小项目，可谓麻雀虽小五脏俱全。让我这个编程小白学到了很多性能优化的知识，或者说一些思考方式。 最初我的程序计算下来需要跑2个月才能跑完，经过2周不断地调整架构和细节，将性能提升到了4小时完成。 很多心得体会，希望和大家分享，也希望多多批评指正，共同进步。 这两部分批量带来的效率提升，将原本需要两个月时间的代码，提升到了21天，但依然是天文数字。 第四版，高度抽象（一键启动）——4小时 特征：面向接口、多线程、可拓展、完全解耦、批量或逐条插入、数据可恢复、优化查询的limit操作 架构的思考 优雅的代码应该是整洁而美妙，不应是冗长而复杂的。 如果设计成异步处理，效率会提升不少。
60840发布于 2019-06-02 - 来自专栏Java后端技术栈
初探性能优化--2个月到4小时的性能提升！
让我这个编程小白学到了很多性能优化的知识，或者说一些思考方式。真的感受到任何一点效率的损失放大一定倍数时，将会是天文数字。 最初我的程序计算下来需要跑2个月才能跑完，经过2周不断地调整架构和细节，将性能提升到了4小时完成。 很多心得体会，希望和大家分享，也希望多多批评指正，共同进步。 如果出错，那么正确的数据加上记录下来的出错数据后要保证一致性； 4、速度要尽可能块：共2000万条数据，在保证正确性的前提下，至多一天内完成； 二、第一版：面向过程——2个月 特征：面向过程、单一线程、 这两部分批量带来的效率提升，将原本需要两个月时间的代码，提升到了21天，但依然是天文数字。 五、第四版：高度抽象（一键启动）——4小时 特征：面向接口、多线程、可拓展、完全解耦、批量或逐条插入、数据可恢复、优化查询的limit操作 5.1、架构的思考 优雅的代码应该是整洁而美妙，不应是冗长而复杂的
53410发布于 2018-08-09 - 来自专栏Java研发军团
初探性能优化--2个月到4小时的性能提升！
一直不知道性能优化都要做些什么，从哪方面思考，直到最近接手了一个公司的小项目，可谓麻雀虽小五脏俱全。让我这个编程小白学到了很多性能优化的知识，或者说一些思考方式。 最初我的程序计算下来需要跑2个月才能跑完，经过2周不断地调整架构和细节，将性能提升到了4小时完成。 很多心得体会，希望和大家分享，也希望多多批评指正，共同进步。 如果出错，那么正确的数据加上记录下来的出错数据后要保证一致性； 4、速度要尽可能块：共2000万条数据，在保证正确性的前提下，至多一天内完成； 二、第一版：面向过程——2个月 特征：面向过程、单一线程、 这两部分批量带来的效率提升，将原本需要两个月时间的代码，提升到了21天，但依然是天文数字。 如果设计成异步处理，效率会提升不少。
61510发布于 2019-09-03 - 来自专栏机器之心
当GPT-4反思自己错了：性能提升近30%，编程能力提升21%
机器之心报道 机器之心编辑部 GPT-4 的思考方式，越来越像人了。 人类在做错事时，会反思自己的行为，避免再次出错，如果让 GPT-4 这类大型语言模型也具备反思能力，性能不知道要提高多少了。 模型反思有缺陷的搜索策略： 这篇论文表明，你可以通过要求 GPT-4 反思「你为什么错了？」 并为自己生成一个新的提示，将这个错误原因考虑在内，直到结果正确，从而将 GPT-4 的性能提高惊人的 30%。 网友不禁感叹：人工智能的发展速度已经超过了我们的适应能力。 以下几种情况，运行会终止： 超过最大试验次数； 未能在两次连续试验之间提高性能； 完成任务。 结果显示基础智能体并没有性能提高，在第一次试验中，基础智能体准确率为 34%，Reflexion 智能体准确率为 32%，但在 7 次试验后，Reflexion 智能体表现大幅改善，性能提升接近 30%
35110编辑于 2023-03-29 - 来自专栏SpringBoot
提升Java性能
如果项目着眼于尽快无BUG上线，那么此时可以抓大放小，代码的细节可以不精打细磨；但是如果有足够的时间开发、维护代码，这时候就必须考虑每个可以优化的细节了，一个一个细小的优化点累积起来，对于代码的运行效率绝对是有提升的 Java编译器会寻找机会内联所有的final方法，内联对于提升Java运行效率作用重大，具体参见Java运行期优化。 此举能够使性能平均提高50% 。 4、及时关闭流 Java编程过程中，进行数据库连接、I/O流操作时务必小心，在使用完毕后，及时关闭以释放资源。因为对这些大对象的操作会造成系统大的开销，稍有不慎，将会导致严重的后果。 StringBuilder(String str) // 默认分配16个字符+str.length()个字符空间 可以通过类（这里指的不仅仅是上面的StringBuilder）的来设定它的初始化容量，这样可以明显地提升性能 在计算机中的表示应该是： 0000 0000 0000 0000 0000 1011 0011 1010 0111 0011 1100 1110 0010 1111 1111 0010 一个int型数据是4个字节
94331发布于 2018-11-05 - 来自专栏HappenLee的技术杂谈
Doris开发手记4：倍速性能提升，向量化导入的性能调优实践
正好有Doris社区的小伙伴吐槽向量化的导入性能表现并不是很理想，就借这个机会对之前开发的向量化导入的工作进行了性能调优，取得了不错的优化效果。 借用本篇手记记录下一些性能优化的思路，抛砖引玉，希望大家多多参与到性能优化的工作总来。 Doris内部本身支持了ChunkAlloctor的类来进行内存分配，复用，绑核的逻辑，通过ChunkAlloctor能大大提升内存申请的效率，对于当前case的缺页中断也能起到规避的效果：图片通过替换 优化前优化后980s 776s 3.一些相关的优化的TODO：CSV的数据格式解析：通过4kb的cache 来预取多行数据，利用并SIMD指令集来进一步性能优化缺页中断的优化：部分内存分配拷贝过程之中的 page fault的问题, 可以考虑引入大页内存机制来进一步进行缺页中断，页内存cache的优化4.小结当然，笔者进行的向量化导入工作只是Doris向量化导入中的一部分工作。
1.7K01编辑于 2022-10-21 - 来自专栏IT开发技术与工作效率
Outlook性能提升
Outlook性能提升 5.png 6.png 7.png 8.png 一般不到一个月就满了，存档邮件不会删除，可以设置较短的时间，如7天 2 9.png
1.6K30发布于 2018-06-20 - 来自专栏HappenLee的技术杂谈
Doris开发手记4：倍速性能提升，向量化导入的性能调优实践
正好有Doris社区的小伙伴吐槽向量化的导入性能表现并不是很理想，就借这个机会对之前开发的向量化导入的工作进行了性能调优，取得了不错的优化效果。 借用本篇手记记录下一些性能优化的思路，抛砖引玉，希望大家多多参与到性能优化的工作总来。 Doris内部本身支持了ChunkAlloctor的类来进行内存分配，复用，绑核的逻辑，通过ChunkAlloctor能大大提升内存申请的效率，对于当前case的缺页中断也能起到规避的效果： image.png 优化前 优化后 980s 776s 3.一些相关的优化的TODO： CSV的数据格式解析：通过4kb的cache 来预取多行数据，利用并SIMD指令集来进一步性能优化 缺页中断的优化：部分内存分配拷贝过程之中的 page fault的问题, 可以考虑引入大页内存机制来进一步进行缺页中断，页内存cache的优化 4.小结 当然，笔者进行的向量化导入工作只是Doris向量化导入中的一部分工作。
1K10编辑于 2022-10-31 - 来自专栏全栈程序员必看
qcustomplot 性能_cpu性能提升工具
Plot性能提升 QCustomPlot采用了大量的技术比如自适应采样和文本对象缓存为了减少replot的时间。然而一些特性比如半透明的填充,反锯齿和粗线条都可能导致低效率。 这有一些提示关于如何跳高Replot的性能。 大部分时间耗费在绘图函数上尤其是绘制高密度的图形和其他图。 为了最大性能思考下面几点: 使用Qt4.8.0及以上的版本,性能将会有双倍或者三倍的提升跟Qt4.7.4相比。 因此它是性能和质量的权衡当转到Qt4.8.0时。QCustomPlot内部尝试解决这种严重的故障。 如果OpenGL是可用的,这将略有减少抗锯齿的质量但是却增强了性能尤其是半透明的填充,抗锯齿和大量的QCustomPlot绘制表面。
2.5K40编辑于 2022-11-08 - 来自专栏秋枫学习笔记
AT4CTR: 对比学习构建辅助任务提升CTR预估性能
关注我们，一起学习 标题: AT4CTR: Auxiliary Match Tasks for Enhancing Click-Through Rate Prediction 地址：https://arxiv.org 导读 本文主要是针对CTR预估中数据稀疏性问题提出的相关方法，再原有的ctr预估模型中引入了一个辅助匹配任务，通过对比学习来提高点击率预测精度（AT4CTR）。
1.3K10编辑于 2024-01-03 - 来自专栏全栈程序员必看
Qt quick性能提升
Qt quick性能优化 使用时间驱动 避免定时轮询； 使用信号槽形式； 使用多线程 C++; QML WorkerScript元件； 使用Qt Quick Compiler 只需要再 设置图片尺寸； 锚定布局 在元素布局时，使用anchors锚布局比属性绑定效果更高； 坐标>锚定> 绑定> JavaScript函数； 渲染注意事项 1、避免使用Clip属性（默认禁用），剪切损失性能 ； 2、被覆盖不可见的元素要设置visible为false,通知引擎不绘制； 3、透明与不透明： 不透明效率更高，全透明时请设置不可见； 使用Animation而不是Timer Qt优化了动画的实现，性能高于我们通过定时器触发属性的改变 ； 传统方式使用Timer传统方式； Timer触发动画性能低下，更耗电； 元素生命周期设计 Loader—–动态加载和卸载一个组件； 使用active属性，可以延迟实例化； 使用setSource
1.7K11编辑于 2022-11-05 - 来自专栏第三方工具
接口性能提升方法
接口性能提升方法 1.索引 1.1 没加索引 sql语句中where条件的关键字段，或者order by后面的排序字段，忘了加索引，这个问题在项目中很常见。 项目刚开始的时候，由于表中的数据量小，加不加索引sql查询性能差别不大。 目前在mysql中如果想要修改索引，只能先删除索引，再重新添加新的。 远程调用 3.1 并行调用 3.2 数据异构 4. 重复调用 4.1 循环查数据库 这里有个需要注意的地方是：id集合的大小要做限制，最好一次不要请求太多的数据。 4.3 无限递归 建议写递归方法时，设定一个递归的深度，比如：分类最大等级有4级，则深度可以设置为4。然后在递归方法中做判断，如果深度大于4时，则自动返回，这样就能避免无限循环的情况。 5. 路由的算法挺多的： 根据id取模，比如：id=7，有4张表，则7%4=3，模为3，路由到用户表3。
46010编辑于 2024-12-10 - 来自专栏machine_learning
模型性能提升操作
看了一些别人的思路，总结了一些模型性能提升的操作并完成python实现。 1. 行空缺值的处理 常规方法 统计每行数据的空缺值，如果空缺值数量超过阈值，则剔除此行数据。 min_child_weight': 3, 'silent': 1, 'eta': 0.1, 'seed': 1000, 'nthread': 4, 4. 模型融合 模型融合不仅泛化性有提高，同时还会一定程度上提高预测的准确率，并且当模型融合中的基学习器之间互相独立时，模型融合的方法效果会更好。 常规方法 4.1 bagging ? 内部节点再划分所需最小样本数min_samples_split、叶子节点样本数min_samples_leaf、最大叶子节点数max_leaf_nodes等，可参考文章：scikit-learn 梯度提升树
1.1K20发布于 2020-09-09 Elasticsearch：提升 Elasticsearch 性能
但是，为确保你的 Elasticsearch 部署发挥最佳性能，监控关键指标并优化各种组件（如索引、缓存、查询和搜索以及存储）至关重要。 从优化集群健康、搜索性能和索引，到掌握缓存策略和存储选项，本博客涵盖了很多方面的内容。 无论你是经验丰富的 Elasticsearch 专家还是新手，遵循一些最佳实践以确保你的部署具有高性能、可靠和可扩展性都非常重要。 更多阅读：Elasticsearch：如何提高查询性能性能Active shards 应该与 CPU 成正比：为了提高 write-heavy 用例的性能，刷新间隔应该增加到一个更大的值，例如 30s， 搜索性能：请求延迟和速率 - 跟踪搜索请求的延迟和每秒搜索请求的数量。索引性能：刷新时间和合并时间 - 监控刷新索引所需的时间和合并段所需的时间。
1.3K10编辑于 2024-05-08- 来自专栏我的C语言
寒假每日提升(4)
4、求二叉树K层的节点个数 4、1、思考方式 对于求K层的节点个数，首先理解叶子节点的求值方法。这题相当是之前的那题目的衍生吧。 4、2、答案 递归的方法是需要合理运用的，对于根节点的K层，相当于是对于根节点左右子树的K-1层。所以，答案是这样的。
21510编辑于 2024-01-24 - 来自专栏MySQL进阶
MySQL连接的原理⭐️4种优化连接的手段性能提升240%🚀
前言上两篇文章我们说到MySQL优化回表的三种方式：索引条件下推ICP、多范围读取MRR与覆盖索引MySQL的优化利器⭐️索引条件下推，千万数据下性能提升273% MySQL的优化利器⭐️Multi Range 因此在设计上应该尽量选择驱动表为小表，用小表驱动大表当使用内连接时，由优化器决定哪个表是驱动表，哪个表是被驱动表当两个表时相当于双层循环，三个表时相当于三层循环，联表越多时间复杂度呈指数级别增长，联表的性能开销会非常大优化连接如果想要优化联表的开销有什么手段呢 需要被驱动表建立索引和使用MRR，默认情况下使用MRR成本估算很大默认情况下就算不用索引也不会使用无优化的嵌套查询，最少也是使用Join Buffer 5.215s为被驱动表关联列增加索引后，相比于Join Buffer查询性能提升近 150%使用BKA算法优化后查询速度达到1.533s，相比于Join Buffer查询性能提升近240%总结连接的原理就是循环嵌套查询，根据驱动表满足查询条件的记录数量去多次访问被驱动表，因此连接时需要小表驱动大表
66033编辑于 2024-06-14 - 来自专栏机器之心
较上代性能提升21%，功耗降低40%，Intel 4工艺细节曝光
今年最受期待的演讲之一莫过于英特尔介绍的 Intel 4 工艺的物理和性能特征，该工艺计划将用于 2023 年的产品中。 不过，Intel 4 上的 SRAM 单元大小仅为 Intel 7 上相同单元的 0.77 倍左右。因此，虽然标准化逻辑单元的密度翻了一番，但 SRAM 密度仅提升了 30% 左右。 Intel 4：频率提高 21.5%，功耗降低 40% 除了密度方面的改进，英特尔在频率和能效方面都取得了高于平均水平的提升。 行业标准核心的电路分析显示，在匹配功率为 0.65V 时，Intel 4 性能比 Intel 7 提高了 21.5%；在高电压下，匹配功率 8VT 比 6VT 可获得 5% 的性能增益。 总而言之，英特尔是在不断提升产品性能，例如在去年夏天的工艺路线图更新中讨论的 Intel 4 的每瓦性能提升 20%，去年，英特尔一直在接近 Intel 4 开发的终点线，因此正如他们所预想的那样，英特尔似乎正在实现性能提升
75330编辑于 2022-06-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号