????最近在寫的一些Python小項目中，里面用到了遺傳算法這種需要大量計算的算法（CPU密集型任務(wù)），因為GIL鎖的存在，Python中的多線程在對CPU密集型任務(wù)的處理中顯得有些雞肋，于是嘗試采用multiprocessing（多進(jìn)程）模塊來就行計算任務(wù)處理，但提升有限。

關(guān)于GIL

????GIL（Global Interpreter Lock）是Python解釋器中的一個全局鎖，用于確保在任何時刻只有一個線程在執(zhí)行Python字節(jié)碼，一定程度上避免了冒險-競爭問題。這意味著，盡管Python支持多線程編程，但在任何時刻只有一個線程可以在解釋器中執(zhí)行Python代碼。如果有多個線程需要同時執(zhí)行Python代碼，則它們必須在GIL上進(jìn)行競爭，獲得GIL的線程可以運行Python代碼，而其他線程則必須等待GIL。

問題查找

????做性能優(yōu)化時，首先要找出性能的瓶頸在什么地方，才能夠做針對性的優(yōu)化。Python 的性能剖析主要有下面幾種方法：

• cProfile

• line_profiler

• pyflame

• pyinstrument

????在本文章中將使用Python內(nèi)置的cProfile模塊，cProfile是Python標(biāo)準(zhǔn)庫中的一個性能分析工具，用于分析Python程序的性能瓶頸。它可以統(tǒng)計程序中每個函數(shù)的調(diào)用次數(shù)、運行時間以及占用的內(nèi)存等信息，并將這些信息以一定格式打印出來。

????與Python內(nèi)置的profile模塊不同，cProfile使用了C語言實現(xiàn)的底層分析引擎，因此可以大大減少分析工具本身對程序性能的影響，同時提供更為精確的分析結(jié)果。

官方例子（命令行使用）：

其中-o 選項指定生成 cProfile 的二進(jìn)制性能結(jié)果保存至指定地址。

光生成二進(jìn)制結(jié)果還不夠，這時就需要一些更直觀的方式：使用flameprof生成svg可視化火焰圖

由于是外置庫，首先使用pip進(jìn)行安裝：

假設(shè)上面使用cProfile生成的二進(jìn)制文件名為input.prof：

執(zhí)行命令即可獲得該程序的火焰圖。

可以明顯看出，時間主要用在了deepcopy這個函數(shù)上。該函數(shù)主要功能是實現(xiàn)對象的深拷貝。

查閱cpython源碼（https://github.com/python/cpython/blob/main/Lib/copy.py）發(fā)現(xiàn)，這個函數(shù)會遞歸地遍歷輸入對象的所有子對象，并復(fù)制它們以創(chuàng)建一個新的獨立對象。它使用一個名為memo的字典來跟蹤已經(jīng)被復(fù)制的對象，避免對同一個對象進(jìn)行重復(fù)的復(fù)制。關(guān)鍵就在這個memo（全名memorandum）的字典變量，該函數(shù)需要實時維護(hù)這個字典，故性能會有所下降。但在絕大多數(shù)情況下，程序里都不存在相互引用。但作為通用模塊的copy模塊必須考慮這種特殊情況。

解決方法

自定義deepcopy方法：

重新生成火焰圖：

分析上圖，時間大部分都在運行numpy計算，而不是deepcopy，而每秒迭代次數(shù)得到了300%的巨大提升。