高效编程之 命令式编程/符号式编程

编程范式，有 命令式 编程、函数式编程、符号式编程 等；

 

python 属于解释性语言，即一句一句执行，然后 中间变量 由于不知道后面是否会用到 都 会被存储，每次 都会重新调用 函数；

python 代码属于   命令式编程；

同时 python  提供了 符号式编程，tensorflow 就是一种符号式编程，其先构建计算图，然后再统一执行计算 ；

符号式编程的特点就是  快。

 

效率对比

命令式编程

def sample_add(a, b):
    return a + b

def sample_fancy_func(a, b, c, d):
    e = sample_add(a, b)
    f = sample_add(c, d)
    g = sample_add(e, f)
    return g

time.clock()
for _ in range(1000):
    print(sample_fancy_func(1, 2, 3, 4))
print(time.clock())     #

 

符号式编程

def add_str():
    """仅以字符串形式返回计算流程"""
    return '''
def add(a, b):
    return a + b
'''

def fancy_func_str():
    """仅以字符串形式返回计算流程"""
    return '''
def fancy_func(a, b, c, d):
    e = add(a, b)
    f = add(c, d)
    g = add(e, f)
    return g
'''

def evoke_str():
    """仅以字符串形式返回计算流程"""
    return add_str() + fancy_func_str() + '''
print(fancy_func(1, 2, 3, 4))
'''

prog = evoke_str()
print(prog)
x = compile(prog, '', 'exec')  # 通过compile函数编译完整的计算流程并运行

time.clock()
for _ in range(1000):
    exec(x)
print(time.clock())     #

自己 可以试下

 

当前的深度学习框架

Theano和受其启发的后来者TensorFlow使用了符号式编程，Chainer和它的追随者PyTorch使用了命令式编程，mxnet使用了使用了命令式和符号式的混合编程：

用户可用纯命令式编程进行开发和调试；当需要产品级别的计算性能和部署时，用户可以将大部分命令式程序转换成符号式程序来运行。

小结

 

 

 

 

参考资料：

https://blog.csdn.net/weixin_42109859/article/details/104858932　　命令式和符号式编程

https://www.bbsmax.com/A/D8543ngpJE/

https://www.bilibili.com/video/BV11U4y1o7sX/?spm_id_from=333.788&vd_source=f0fc90583fffcc40abb645ed9d20da32　　计算性能-如何让你的pytorch代码高效（torchscript）.mp4