高效能Python程式設計: 寫給人類的高性能編程法 (第3版) | 誠品線上

High Performance Python, 3E

內容簡介

內容簡介 突破效能瓶頸，掌握多核心、GPU加速與大規模資料處理技巧。 實務方法×業界案例，帶你用Python打造生產級效能。 跨越記憶體限制、善用GPU，GenAI與生產化ML的最佳效能解方。 「Ian與Micha的新書不僅介紹現代效能工具，也深入探討程式優化的普遍原則。每一位Python開發者都應該閱讀此書！」 — Mikhail Timonin，量化開發者，Engelhart 不論你是要處理龐大資料、打造AI產品，還是單純想讓程式更流暢，新版都提供了比前版更強化的工具與方法，讓你的Python程式真正跑出高效能。 收錄GenAI、機器學習產品化等實戰案例，讓你的Python程式在真實環境中全面升級。 ---------------------------------------------------- 或許你的Python程式已經能正確運行，但若能跑得更快，會為你帶來什麼改變？全新第三版《高效能Python程式設計》將引導你找出程式在高資料量環境下的效能瓶頸，並透過各種設計方法與背後的理論基礎，幫助你更深入理解Python的運作，進而寫出真正高效的程式碼。 本書不只涵蓋多核心、叢集與編譯的技巧，也帶你探索如何突破RAM限制、活用GPU加速，甚至在 GenAI、機器學習產品化等場景中提升效能。你將看到許多來自業界的實戰案例，這些公司如何善用高效能Python進行社群分析、AI應用到生產級系統。作者Micha Gorelick與Ian Ozsvald更分享了多年經驗與實用方法，幫助資深Python開發者在不犧牲可靠性的前提下，靈活擴展或縮小系統，迎戰真實世界的效能挑戰。 • 更深入掌握NumPy、Cython與效能分析器。 • 瞭解Python如何將底層電腦架構抽象化。 • 進行效能分析來找出CPU時間與記憶體的使用瓶頸。 • 利用合適的資料結構來寫出高效的程式。 • 提升矩陣與向量運算的速度。 • 使用Pandas、Dask與Polars來快速處理DataFrame。 • 加快神經網路與GPU的計算速度。 • 使用工具來將Python編譯為機器碼。 • 同時管理多個I O與計算操作。 • 轉換multiprocessing程式碼，並在本地或遠端叢集上運行。

作者介紹

作者介紹 Micha Gorelick 是機器學習研究者與工程師、教育者，且積極提倡顧及社會責任的運算。 Ian Ozsvald 是倫敦的獨立首席資料科學家，負責指導團隊、教授課程，並打造資料產品。

產品目錄

產品目錄 第一章 瞭解高性能Python 基本電腦系統 理想化的計算vs. Python虛擬機器 那為什麼還要用Python？ 如何成為高效能的程式開發者 Python的未來 第二章 透過效能分析來找出瓶頸 有效率地分析 介紹Julia set 計算完整的Julia set 簡單的計時法—print與decorator 使用Unix time命令來做簡單的計時 使用cProfile模組 使用SnakeViz來將cProfile的輸出視覺化 使用line_profiler來逐行測量 使用memory_profiler來診斷記憶體的使用情況 一起分析CPU與記憶體：使用Scalene 用PySpy來自檢既有的程序 在時間軸上做互動式呼叫堆疊分析：使用VizTracer Bytecode：檢視底層 在優化過程中進行單元測試，以維持正確 成功分析程式碼的策略 第三章 串列與tuple 更有效率的搜尋法 串列vs. tuple 第四章 字典與集合 字典與集合如何運作？ 第五章 迭代器與產生器 處理無限序列的迭代器 延後產生器求值 第六章 矩陣與向量計算 問題介紹 Python串列不夠好嗎？ 記憶體碎片化 用numpy來處理擴散問題 numexpr：讓就地操作更快速與更輕易 圖形處理單元（GPU） 警世故事：驗證「優化」（scipy） 從矩陣優化得到的教訓 第七章 Pandas、Dask與Polars Pandas 使用Dask來處理分散的資料結構與DataFrame 用Polars來獲得快速的DataFrames 第八章 編譯為C 可能提升多少速度？ JIT vs. AOT編譯器 為何型態資訊可幫助程式跑得更快？ 使用C編譯器 再談Julia set範例 Cython pyximport Cython與numpy Numba PyPy 速度改善方法總結 使用各項技術的時機 外部函式介面 第九章 非同步I O 非同步編程簡介 async await如何運作？ 共享CPU–I O工作負載 第十章 multiprocessing模組 multiprocessing模組概要 使用Monte Carlo法來估計pi 使用程序與執行緒來估計pi 尋找質數 使用跨程序通訊來檢驗質數 使用multiprocessin來共享numpy資料 同步檔案與變數存取 第十一章 叢集與任務佇列 叢集的好處 叢集的缺點 常見的叢集設計 如何開始採用叢集方案 在使用叢集時避免痛苦的方法 兩種叢集方案 其他可以研究的叢集工具 Docker 第十二章 使用更少RAM 基本型態物件很昂貴 瞭解集合使用多少RAM Bytes vs. Unicode 在RAM中有效率地儲存許多文字 為更多文字建模：使用scikit-learn的FeatureHasher DictVectorizer與FeatureHasher簡介 SciPy的稀疏矩陣 關於使用更少RAM的小提示 機率式資料結構 第十三章 來自現場的教訓 開發高效能機器學習演算法 新聞領域中的高效能運算 來自網路再保險領域的經驗 量化金融領域裡的Python 保持彈性以實現高效能 使用Feature-engine來改進特徵工程作業線（2020） 高效能的資料科學團隊（2020） Numba（2020） 優化vs.思考（2020） 讓深度學習飛起來，與RadimRehurek.com（2014） 在Smesh的大型社群媒體分析（2014）

商品規格

最佳賣點

最佳賣點 : 突破效能瓶頸，掌握多核心、GPU加速與大規模資料處理技巧。
實務方法×業界案例，帶你用Python打造生產級效能。
跨越記憶體限制、善用GPU，GenAI與生產化ML的最佳效能解方。

活動

• 1/15前 全站滿$1,600折$150
• 1/15前 全站滿$2,800折$300
• 全站滿$6,000贈星宇航空icash(限量)