وصف عن الكتاب :

قد يعمل كود Python الخاص بك بشكل صحيح ، لكنك تحتاجه ليعمل بشكل أسرع. من خلال استكشاف النظرية الأساسية وراء اختيارات التصميم ، يساعدك هذا الدليل العملي على اكتساب فهم أعمق لتطبيق Python. ستتعلم كيفية تحديد نقاط الاختناق في الأداء وتسريع شفرتك بشكل كبير في البرامج ذات الحجم الكبير من البيانات.

كيف يمكنك الاستفادة من البنى متعددة النواة أو المجموعات؟ أو بناء نظام يمكنه التوسع والنزول دون فقدان الموثوقية؟ سيتعلم مبرمجو Python المتمرسون حلولًا ملموسة لهذه المشكلات وغيرها ، جنبًا إلى جنب مع قصص الحرب من الشركات التي تستخدم Python عالية الأداء لتحليلات الوسائط الاجتماعية ، والتعلم الآلي المُنتَج ، وغيرها من المواقف.

احصل على فهم أفضل لمصطلح numpy و Cython و Profilers
تعرف على كيفية قيام Python بتجريد بنية الكمبيوتر الأساسية
استخدم التنميط للعثور على الاختناقات في وقت وحدة المعالجة المركزية واستخدام الذاكرة
اكتب برامج فعالة عن طريق اختيار هياكل البيانات المناسبة
تسريع حسابات المصفوفة والمتجهات
استخدم الأدوات لترجمة Python وصولاً إلى كود الآلة
إدارة عمليات الإدخال / الإخراج المتعددة والعمليات الحسابية بشكل متزامن
تحويل رمز المعالجة المتعددة ليتم تشغيله على مجموعة محلية أو بعيدة
حل المشكلات الكبيرة أثناء استخدام ذاكرة وصول عشوائي أقل

Your Python code may run correctly, but you need it to run faster. By exploring the fundamental theory behind design choices, this practical guide helps you gain a deeper understanding of Python’s implementation. You’ll learn how to locate performance bottlenecks and significantly speed up your code in high-data-volume programs.

How can you take advantage of multi-core architectures or clusters? Or build a system that can scale up and down without losing reliability? Experienced Python programmers will learn concrete solutions to these and other issues, along with war stories from companies that use high performance Python for social media analytics, productionized machine learning, and other situations.

• Get a better grasp of numpy, Cython, and profilers
• Learn how Python abstracts the underlying computer architecture
• Use profiling to find bottlenecks in CPU time and memory usage
• Write efficient programs by choosing appropriate data structures
• Speed up matrix and vector computations
• Use tools to compile Python down to machine code
• Manage multiple I/O and computational operations concurrently
• Convert multiprocessing code to run on a local or remote cluster
• Solve large problems while using less RAM