論文の概要: An Empirical Study on the Performance and Energy Usage of Compiled Python Code

• arxiv url: http://arxiv.org/abs/2505.02346v1
• Date: Mon, 05 May 2025 04:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.552998
• Title: An Empirical Study on the Performance and Energy Usage of Compiled Python Code
• Title（参考訳）: コンパイル済みPythonコードの性能とエネルギー利用に関する実証的研究
• Authors: Vincenzo Stoico, Andrei Calin Dragomir, Patricia Lago,
• Abstract要約: Pythonは、学習の容易さと広範なライブラリで知られる人気のあるプログラミング言語である。 性能とエネルギー効率を比較した分析は限られている。 本研究では,コンパイルがPythonコードの性能とエネルギー消費に与える影響について検討した。
• 参考スコア（独自算出の注目度）: 5.829253903555323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Python is a popular programming language known for its ease of learning and extensive libraries. However, concerns about performance and energy consumption have led to the development of compilers to enhance Python code efficiency. Despite the proven benefits of existing compilers on the efficiency of Python code, there is limited analysis comparing their performance and energy efficiency, particularly considering code characteristics and factors like CPU frequency and core count. Our study investigates how compilation impacts the performance and energy consumption of Python code, using seven benchmarks compiled with eight different tools: PyPy, Numba, Nuitka, Mypyc, Codon, Cython, Pyston-lite, and the experimental Python 3.13 version, compared to CPython. The benchmarks are single-threaded and executed on an NUC and a server, measuring energy usage, execution time, memory usage, and Last-Level Cache (LLC) miss rates at a fixed frequency and on a single core. The results show that compilation can significantly enhance execution time, energy and memory usage, with Codon, PyPy, and Numba achieving over 90\% speed and energy improvements. Nuitka optimizes memory usage consistently on both testbeds. The impact of compilation on LLC miss rate is not clear since it varies considerably across benchmarks for each compiler. Our study is important for researchers and practitioners focused on improving Python code performance and energy efficiency. We outline future research directions, such as exploring caching effects on energy usage. Our findings help practitioners choose the best compiler based on their efficiency benefits and accessibility.
• Abstract（参考訳）: Pythonは、学習の容易さと広範なライブラリで知られる人気のあるプログラミング言語である。 しかし、パフォーマンスとエネルギー消費に関する懸念が、Pythonのコード効率を向上させるコンパイラの開発につながった。 既存のコンパイラのPythonコードの効率性に対するメリットが証明されているにもかかわらず、パフォーマンスとエネルギ効率を比較した分析は限られている。 PyPy、Numba、Nuitka、Mypyc、Codon、Cython、Pyston-lite、実験的なPython 3.13バージョンをCPythonと比較し、コンパイルがPythonコードのパフォーマンスとエネルギー消費に与える影響について検討した。 ベンチマークは、NUCとサーバでシングルスレッドで実行され、エネルギー使用量、実行時間、メモリ使用量、Last-Level Cache(LLC)ミスレートを固定周波数と単一コアで測定する。 その結果,Codon,PyPy,Numbaが90%以上のスピードとエネルギ向上を達成したことにより,コンパイルが実行時間,エネルギ,メモリ使用量を大幅に向上することが示された。 Nuitkaは、両方のテストベッドで一貫してメモリ使用量を最適化する。 LLCのミスレートに対するコンパイルの影響は、各コンパイラのベンチマークによって大きく異なるため、明確ではない。 我々の研究は、Pythonのコード性能とエネルギー効率を改善することに焦点を当てた研究者や実践者にとって重要である。 エネルギー利用におけるキャッシュ効果の探索など,今後の研究の方向性について概説する。 私たちの発見は、効率性とアクセシビリティに基づいて、実践者が最適なコンパイラを選択するのに役立ちます。

関連論文リスト

• No Saved Kaleidosope: an 100% Jitted Neural Network Coding Language with Pythonic Syntax [0.8408735228878615]
  我々は,C++,LLVM,Cudaを用いてニューラルネットワークを学習するためのjittedコンパイラを開発した。 オブジェクト指向の特徴、強い型付け、データ前処理のための並列ワーカー、式のためのピソニック構文、PyTorchのようなモデル宣言、自動微分などが特徴である。
  論文  参考訳（メタデータ） (2024-09-17T23:15:39Z)
• CRUXEval-X: A Benchmark for Multilingual Code Reasoning, Understanding and Execution [50.7413285637879]
  CRUXEVAL-Xコード推論ベンチマークには19のプログラミング言語が含まれている。 各言語に対して少なくとも600人の被験者で構成され、合計19Kのコンテンツ一貫性テストがある。 Pythonでのみトレーニングされたモデルでさえ、他の言語で34.4%のPass@1を達成することができる。
  論文  参考訳（メタデータ） (2024-08-23T11:43:00Z)
• Python is Not Always the Best Choice: Embracing Multilingual Program of Thoughts [51.49688654641581]
  本稿では,多言語からの強みと多様性を生かしたMultiPoTというタスクとモデル非依存のアプローチを提案する。 実験の結果、Python Self-Consistencyを著しく上回ることがわかった。 特にMultiPoTはChatGPT(gpt-3.5-turbo-0701)で平均4.6%以上の改善を実現している。
  論文  参考訳（メタデータ） (2024-02-16T13:48:06Z)
• CHERI Performance Enhancement for a Bytecode Interpreter [0.0]
  我々は、ネイティブポインタ(一般に64ビット)と比較して、CHERI機能(128ビット)が大きいため、ある種類のソフトウェアが引き起こすランタイムオーバーヘッドを取り除くことができることを示す。 最悪の場合のスローダウンは100倍(最適化前)から2倍(最適化後)まで大幅に改善される。
  論文  参考訳（メタデータ） (2023-08-09T17:12:23Z)
• A Static Evaluation of Code Completion by Large Language Models [65.18008807383816]
  単純なプログラミング問題に対するモデル生成コードの機能的正当性を評価するために,実行ベースベンチマークが提案されている。 プログラムを実行せずにエラーを検出するlinterのような静的解析ツールは、コード生成モデルを評価するために十分に研究されていない。 抽象構文木を利用して,Pythonのコード補完における静的エラーを定量化する静的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-05T19:23:34Z)
• Python Tool for Visualizing Variability of Pareto Fronts over Multiple Runs [1.370633147306388]
  経験的達成サーフェスのためのPythonパッケージを開発した。 パッケージはhttps://github.com/nabe0928/empirical-attainment-funcで入手できる。
  論文  参考訳（メタデータ） (2023-05-15T17:59:34Z)
• OMB-Py: Python Micro-Benchmarks for Evaluating Performance of MPI Libraries on HPC Systems [1.066106854070245]
  OMB-Pyは並列Pythonアプリケーションのための最初の通信ベンチマークスイートである。 OMB-Pyは様々なポイント・ツー・ポイントと集合的な通信ベンチマークテストから構成される。 逐次実行と比較して,224CPUコア上での最大106倍の高速化を報告した。
  論文  参考訳（メタデータ） (2021-10-20T16:59:14Z)
• Speeding Up OPFython with Numba [0.0]
  Optimum-Path Forest (OPF)は、ロジスティック回帰、サポートベクトルマシンに匹敵する最先端のアルゴリズムであることが証明されている。 最近、PythonベースのバージョンはOPFythonと呼ばれ、よりフレンドリーなフレームワークとより高速なプロトタイピング環境を提供することが提案されている。 本稿では,Numpyに基づく計算を高速化し,アルゴリズム全体の性能向上を図るため,Numbaパッケージを用いた簡易かつ高効率な高速化を提案する。
  論文  参考訳（メタデータ） (2021-06-22T14:39:32Z)
• Extending Python for Quantum-Classical Computing via Quantum Just-in-Time Compilation [78.8942067357231]
  Pythonは、その柔軟性、ユーザビリティ、可読性、開発者の生産性を重視することで有名な人気のあるプログラミング言語です。 量子ジャスト・イン・タイム・コンパイルのための堅牢なC++インフラストラクチャを通じて、異種量子古典計算を可能にするPythonの言語拡張を提案する。
  論文  参考訳（メタデータ） (2021-05-10T21:11:21Z)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。