- 综合排序
- 最热优先
- 最新优先
- 来自专栏c语言与cpp编程
C++最佳实践 | 6. 性能
本系列是开源书C++ Best Practises[1]的中文版，全书从工具、代码风格、安全性、可维护性、可移植性、多线程、性能、正确性等角度全面介绍了现代C++项目的最佳实践。 C++最佳实践: 1. 工具 2. 代码风格 3. 安全性 4. 可维护性 5. 可移植性及多线程 6. 性能（本文） 7. 分析构建 可以使用Templight[4]工具分析项目的构建时间，它需要花一些时间来构建，但一旦这样做了，可以用来替换clang++。 参考: gold: Google Releases New and Improved GCC Linker[14] 运行时 分析代码 在不分析代码的情况下，无法真正找到瓶颈在哪里。 选择float意味着精度较低，并可能由于类型转换而影响性能。在可向量化操作中，如果能够牺牲精度，float可能更快。 double是C++中浮点值的默认类型，因此推荐作为默认选项。
1.2K21编辑于 2022-10-31 - 来自专栏数据科学（冷冻工厂）
PyTorch 模型性能分析和优化 - 第 6 部分
使用 PyTorch Backward Hooks 进行性能分析 尽管 PyTorch 不允许您包装单独的向后传递操作，但它确实允许您使用其钩子支持来添加和/或附加自定义功能。 每个钩子都被编程为使用 torch.profiler.record_function 函数简单地将消息添加到捕获的分析跟踪中。 backward_hook_wrapper(submodule) 下面的图像捕获显示在有问题的 GatherBackward 操作之前存在“before back of PatchDropout”消息： 我们的性能分析表明 就我们的玩具模型而言，我们只需要进行两次分析迭代即可找到性能问题的根源。在实践中，可能需要对该方法进行额外的迭代。 在这篇文章中，我们讨论了一种非常具体的性能瓶颈类型。请务必查看我们在媒体上发布的其他帖子，其中涵盖了与机器学习工作负载的性能分析和性能优化相关的各种主题。
70920编辑于 2023-10-22 - 来自专栏架构师成长之路
Redis详解（6）性能监控：问题分析和优化
分析redis故障的Root cause redis容量规划和性能管理 redis硬件资源利用率和成本 1、redis故障快速发现，定位故障点和解决故障 当redis出现故障时，DBA应在尽可能短时间内发现告警 2、分析redis故障的根本原因 任何一个故障和性能问题，其根本“诱因”往往只有一个，称为这个故障的Root cause。 3、Redis容量规划和性能管理 通过分析redis资源使用和性能指标的监控历史趋势数据；对集群进行合理扩容(Scale-out)、缩容(Scale-back)；对性能瓶颈优化处理等。 要分析解决这个性能问题，需要跟踪命令处理数的数量和延迟时间。 抖动变化比较有用 以下表示：每个命令执行次数，总共消耗的CPU时长(单个微秒)，平均每次消耗的CPU时长（单位微秒） # Commandstats cmdstat_set:calls=6,usec=37
4K21编辑于 2022-04-14 - 来自专栏自动化、性能测试
性能分析（6）- 如何迅速分析出系统 CPU 的瓶颈在哪里
性能分析小案例系列，可以通过下面链接查看哦 https://www.cnblogs.com/poloyy/category/1814570.html 前言 在做性能测试时，我们会需要对 Linux 系统的性能指标进行分析 这一篇就来讲下 CPU 性能指标的一个整体分析思路流程 总结出一个“又快又准”的瓶颈定位套路，在不同场景下，指标工具怎么选，性能瓶颈怎么找 CPU 性能指标 一共有四个需要掌握了解的性能指标 ? 如何快速分析 CPU 的性能瓶颈 在实际生产环境中，我们通常都希望尽可能快地定位系统的瓶颈，然后尽可能快地优化性能，也就是要又快又准地解决性能问题 认知 虽然 CPU 的性能指标比较多，但要知道，既然都是描述系统的 因为用户 CPU 使用率反映的就是用户态的 CPU 使用情况 而内核态的 CPU 使用情况只会反映到系统 CPU 使用率（sy）上 CPU 使用率高的场景，如何进行一系列的性能分析 ? pidstat 的输出进一步观察是否是某个进程导致的问题 找出 CPU 使用率偏高的进程之后就要用进程分析工具来分析进程的行为 比如使用 strace 分析系统调用情况，perf 分析调用链中各级函数的执行情况
3.5K30发布于 2020-08-13 - 来自专栏C++核心准则原文翻译
C++核心准则Per.5,6 关于性能的误解
Per.6: Don't make claims about performance without measurements Per.6:不要只是定性抱怨性能问题 Reason（原因） The field 性能领域的充斥者神话和虚假的传说。先进的硬件和优化器也抵挡不了无知的臆断；哪怕是专家也经常会感觉意外。 获得好的性能度量手段很困难，需要特定的工具才行。 分析器可以告诉你，系统的哪一部分是性能敏感的。通常，结果会让你意外的。
43020发布于 2020-06-24 - 来自专栏裸机思维
实时性迷(6)——如何进行跨任务性能分析
【说在前面的话】 ---- 在前一篇文章《实时性迷思(5)——实战RTOS多任务性能分析》中，我们介绍了如何在多任务环境下利用 perf_counter “排除多任务穿插的影响”——精确测量某一任务中指定代码片消耗 // Start thread execution } while(1); } 运行结果如下： 可以看到，三个步骤的任务负载（1+2+3=6ms ，有时候，我们需要沿着其中一条线索完成从源头到末端的性能分析，而它的“事件触发图”大体如下： 640.png 这种情况下，我们仍然可以使用 task_cycle_info_t 来测量整个工序的耗时（周期数 stop_task_cycle_counter(&s_tMyCycleInfo); printf("Pipeline used %d ms", lCycleUsed / (SystemCoreClock / 1000) ); 有时候，进行性能分析需要暂时性的 【说在后面的话】 ---- 跨任务性能测量是 perf_counter 所提供的“拳头功能”，可以说目前在市面上针对Cortex-M的开源工具中，还鲜有类似的功能。
1.1K30编辑于 2022-05-17 - 来自专栏C++ 动态新闻推送
现代CPU性能分析与优化-性能分析方法-静态性能分析
对于 C 和 C++ 语言，我们有一些著名的工具，例如 Clang 静态分析器: https://clang-analyzer.llvm.org/、Klocwork: https://www.perforce.com 同样，也有一些工具试图解决代码的性能方面的问题。静态性能分析器不会执行或分析程序，而是模拟代码，就好像它在真实硬件上执行一样。静态预测性能几乎是不可能的，因此这种类型的分析有很多限制。 首先，由于我们不知道要编译成的机器代码，所以不可能静态分析 C/C++ 代码的性能。因此，静态性能分析针对的是汇编代码。 其次，静态分析工具模拟工作负载而不是执行它。 顺便说一句，这是一个好主意，因为 UICA 等静态性能分析器并不是准确的模型。 C++ 性能工具链接集合 - https://github.com/MattPD/cpplinks/blob/master/performance.tools.md#microarchitecture.
78211编辑于 2024-08-19 - 来自专栏c语言与cpp编程
C++性能优化
前言 性能优化不管是从方法论还是从实践上都有很多东西，从 C++ 语言本身入手，介绍一些性能优化的方法，希望能做到简洁实用。 分析 优化前还是得找一下性能热点，下面是 vtune 结果的截图(虽然 cpu time 和汇编指令的消耗对应得不是特别好): ? vtune_1 ? 通常来说，要具体问题具体分析，没有标准答案。 从原理上来说，这个系列的优化不是特别区分语言，只是这里我们用C++来描述。 execute、memory-access、write-back，除了存储器的访问效率会影响并行度外，下一条指令的 fetch/decode 也很关键，而跳转和分支则是又一个拦路虎，这也是本文接下去要主要分析的地方
98642发布于 2021-03-25 - 来自专栏大模型应用
大模型应用：情感分析模型微调深度分析：从基础预测到性能优化.6
监控验证集性能：确保在验证集上评估模型，并根据验证集性能调整超参数。尝试不同的模型：如果当前模型表现不佳，可以尝试使用不同的预训练模型，例如在中文情感分析任务上表现较好的模型。 性能指标可视化 可视化是理解模型性能的最直观方式。通过多种图表，我们可以全面把握模型的优势和不足。 comprehensive_performance_analysis(results_df): """综合性能分析可视化""" print("正在进行综合性能分析...") true_labels, predicted_labels, target_names=['负面', '中性', '正面']))# 执行综合性能分析 positive: 准确率 1.0, 平均置信度 0.935五、总结 通过系统性的情感分析模型微调分析，我们不仅能够评估模型的整体性能，更能深入理解模型的行为模式、识别系统性错误、发现潜在偏见
35233编辑于 2026-02-03 - 来自专栏Linux运维
性能分析工具：使用 sysstat 分析性能问题
在Linux运维与系统优化领域，性能分析工具是定位瓶颈、提升系统稳定性的关键手段。 sysstat是最常用、最成熟的系统性能监控工具集之一，涵盖CPU、内存、磁盘I/O、网络、进程等多个维度，能够提供实时监控与历史数据分析能力。 工具集主要包含以下组件：工具功能说明sar综合性能采集与历史分析（CPU、内存、I/O、网络等）iostat磁盘I/O性能分析mpstat多核CPU性能分析pidstat进程级CPU、内存、I/O分析nfsiostatNFS sysstat数据采集（默认可能关闭）结合pidstat定位进程级问题关注趋势而非瞬时值与Grafana/Prometheus集成定期采样（1秒）更利于分析长期保存sar数据用于容量规划6.总结sysstat 是Linux系统中最强大、最全面的性能分析工具集之一。
21710编辑于 2026-01-28 - 来自专栏Vue源码 & 前端进阶体系
【性能】Performance 页面性能分析
有些都是很常见的知识，但是为了梳理自己的知识树，所以尽量模糊的地方都会记录 笔记列表在公众号右下角 平常我们总说性能优化，性能优化，也懂个什么文件压缩，雪碧图什么的 但是你根本还是不清楚你性能优化的程度 ，不知道你网站的性能如何就像盲目地填一个不知道多深的坑，如此没有目的性的优化必然浪费大量精力而得不到想要的结果 所以填坑须知坑有多深，性能优化须知性能如何 那么怎么知道你的网站性能如何呢？ Performance 简介 为了解决网页性能测试的困难，更加精确地测量和提高网页和 web 程序的性能 W3C 和各大浏览器厂商共同制定了 Web Performance API 通过 performance 可以查看用户访问网站的各项性能数据，比如 1、连接建立的时间 2、DNS 解析的时间 3、网站内容响应的时间 4、各项图片的加载时间 等等等等 我们通常会怎么衡量网站的性能？ 这两个指标就可以衡量你网站速度的性能 那么我们怎么通过 performance 去得到这两个指标？
3.5K20发布于 2019-11-12 - 来自专栏iSharkFly
Confluence 6 性能优化 原
这个过程将会显著降低垃圾回收的速度而对 Confluence 的性能产生影响。 如果这个返回超过了 10 毫秒，你需要对数据库进行调整来提高数据库的性能。 数据库状态和查询分析 现代的数据库会基于你对数据库运行的查询历史来对查询进行优化。使用 SQL EXPLAIN 语句将会告诉你数据库查询的优化情况。 性能测试 针对 demo 系统，你应该尝试所有的可能的性能测试。如果可能的话，你应该针对你的模拟器环境运行性能测试。 一些插件我们已经知道能够对系统性能造成影响并最终导致 Confluence 的崩溃。 https://www.cwiki.us/display/CONF6ZH/Performance+Tuning
1.4K40发布于 2019-01-30 - 来自专栏啄木鸟软件测试
软件性能测试（连载6）
2.2 Linux的性能监控 本节以Ubuntu Linux为例进行介绍。 1. 负载为1表示当前单核CPU全部占用，如果一台机器有3个CPU，每个CPU都是双核的，这是负载最大值为1×2×3=6。 cpuinfo | grep name | cut -f2 -d: |uniq -c 4 Intel(R) Core(TM) i5-6200U CPU @ 2.30GHz 案例3-11：CPU负载分析 由于与磁盘读写有关系，建议使用dstat 命令（同时看见CPU与I/O信息）来分析。 1 1 99 0 0 | 9232k 470k| 0 0 | 0 0 | 129 192 从上面可以看见有9232K的数据处于磁盘读操作，性能低的瓶颈可能有进程在读磁盘
1.1K20发布于 2020-02-19 - 来自专栏ljw
C++ ⾼性能内存池
2.用到的知识 这个项⽬会⽤到C/C++、数据结构（链表、哈希桶）、操作系统内存管理、单例模式、多线程、互斥锁等等⽅⾯的知识。 这种方法常用于需要精细控制内存和对象生命周期的场合，特别是在内存池管理中，能有效提高性能和内存利用率。 性能问题。 2. 多线程环境下，锁竞争问题。 3. ⽐如：申请的是4⻚page，4⻚page后⾯没有挂 span，则向后⾯寻找更⼤的span，假设在10⻚page位置找到⼀个span，则将10⻚page span分裂 为⼀个4⻚page span和⼀个6⻚ 内存回收 测试 高并发内存池-使用定长内存池配合脱离使用new 释放对象时优化为不传对象大小 测试+改错 性能优化
52800编辑于 2025-02-27 - 来自专栏C++ 动态新闻推送
现代CPU性能分析与优化-性能分析方法- Roofline 性能模型
Roofline 性能模型是一个以吞吐量为导向的性能模型，在 HPC 领域广泛使用。它于 2009 年在加州大学伯克利分校开发。模型中的“roofline”表示应用程序的性能不能超过机器的能力。 在 roofline 图表上，我们可以绘制标量单核、SIMD 单核和 SIMD 多核性能的理论最大值 这将使我们了解改进应用程序性能的空间。 6 Intel Advisor 自动构建 Roofline 图表，并为给定循环的性能优化提供提示。下图展示了 Intel Advisor 生成的 Roofline 图表示例。 总结来说，Roofline 性能模型可以帮助： 识别性能瓶颈。 指导软件优化。 确定优化何时结束。 相对于机器能力评估性能。 //software.intel.com/content/www/us/en/develop/articles/intel-software-development-emulator.html. ↩ 6.
2.2K11编辑于 2024-08-19 - 来自专栏7DGroup
性能分析之两个性能瓶颈分析
最近处理了几个项目中的性能问题，来跟大家唠唠。 这几个问题是非常常见的。 性能瓶颈就有这么个特点，大部分瓶颈分析到最后，都给人有一种猛拍大腿突然醒悟的感觉。 但是在分析到具体的原因之前，都是抓耳挠腮，百思不解。 这就是性能瓶颈的魅力所在了。 问题一：单队列网卡导致软中断高 这个问题在我的专栏也好，公众号文章也好，都不止一次描述过。 如果你不知道的话，分析过程可以去看一下这个文章《性能分析之单队列网卡导致sys CPU高》。 从这些事情可以看出来，性能问题不止是技术问题，还会涉及到沟通、协作甚至合同、商务的问题。 问题2：通过网络队列判断瓶颈点 这是一个生产上的问题。架构简单画一下。 架构逻辑是非常简单的。 但是从现象到这个关键的计数器却有着一段不容易走的路，这就是我们一直强调的RESAR性能分析七步法的价值所在了。
1.4K20编辑于 2022-04-01 - 来自专栏NetCore 从壹开始
MiniProfiler 性能分析
1649659917&vid=wxv_1387960818117083136&format_id=10002&support_redirect=0&mmversion=false 一个好的项目，肯定要有一定的性能监控和分析
53710编辑于 2022-04-11 - 来自专栏技术最杂谈
Greenplum性能分析
rBAoL1-Q20mAN44lAAO6uDAqdEA653.png 1， 调用和使用pgbench工具，输出文档。 待分析数据。 4，基于 本地SSD，云SSD，SATA盘 的Snova集群测试。 4个segment， 4.1 平均update, TPS 60以内，单次请求耗时170ms。 4.2 各磁盘介质对性能影响不大，反而master对性能有影响。 3，顺序读写GP性能与磁盘介质顺序读写性能一致，比如大量的OLAP分析，涉及写临时文件，磁盘顺序写请求负载高，因此磁盘顺序写性能占优。 rBAoL1-Q20mAN44lAAO6uDAqdEA653.png
1.7K62发布于 2020-10-22 - 来自专栏web share
网页性能分析
三、对于性能的影响 提高网页性能，就是要降低"重排"和"重绘"的频率和成本，尽量少触发重新渲染。 DOM变动和样式变动，都会触发重新渲染。 table元素的重排和重绘成本，要高于div元素 四、提高性能的九个技巧 第一条，DOM 的多个读操作（或多个写操作），应该放在一起。不要两个读操作之间，加入一个写操作。 如果色柱都超过30FPS，这个网页就有性能问题了。 image.png image.png 七、window.requestAnimationFrame() 可以调节重新渲染，大幅提高网页性能 window.requestAnimationFrame() 这会在短时间内触发大量的重新渲染，显然对于网页性能很不利。
1.4K00发布于 2021-04-05 - 来自专栏owent
Lua性能分析
比较不爽，刚好Lua本身提供钩子功能，用来写调试工具和性能分析工具都比较简单，索性就自己写一个。 设计思路 在lua提供了钩子函数的情况下，性能分析其实比较简单。 这种情况可以做到手动对单个函数的单次调用关系和消耗分析。对于查找性能毛刺有一定帮助。 ，而且lua的钩子是独占的，所以在lua层增加了接口用于控制性能分析组件。 profile.start() -- 启动栈性能分析 profile.stop() -- 停止栈性能分析 profile.reset() -- 重置栈性能分析缓存数据 profile.enable() -- 恢复性能分析 profile.disable() -- 暂停性能分析 profile.enableNativeProfile() -- 启动本地调用统计 profile.disableNativeProfile
2.6K10发布于 2018-08-01
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