کدهای پایتون برای افزایش سرعت با Cython

۱. Cython چیست و چگونه سرعت پایتون را افزایش می‌دهد؟

سایتون (Cython) یک ابزار و کامپایلر قدرتمند است که به شما امکان می‌دهد کدهای پایتون را به کدهای C/C++ کامپایل کنید تا با سرعت زبان‌های کامپایلر اجرا شوند. با اضافه کردن ساختار داده‌های استاتیک به پایتون، Cython مفسر پایتون را دور می‌زند و مستقیماً کدهای ماشین بهینه تولید می‌کند.

مهم‌ترین دلیل کندی پایتون، پویا بودن تایپ متغیرها (Dynamic Typing) است. پایتون در هر بار اجرای یک عملیات ساده، باید نوع متغیر را بررسی کند. Cython با معرفی متغیرهای ایستا (Static Typing)، این هزینه‌ی اضافه را حذف می‌کند. این ابزار نه تنها کدهای شما را سریع‌تر می‌کند، بلکه به شما اجازه می‌دهد به‌راحتی از کتابخانه‌های C در پروژه پایتونی خود استفاده کنید.

۲. جدول مقایسه عملکرد: پایتون معمولی در مقابل Cython

برای درک بهتر تفاوت عملکرد، جدول زیر مقایسه‌ای جامع بین ویژگی‌ها و بازدهی پایتون خالص و پایتون بهینه‌سازی شده با Cython را ارائه می‌دهد:

۳. راهنمای گام‌به‌گام نصب و راه‌اندازی Cython

برای کامپایل کدهای Cython به یک کامپایلر C مانند GCC روی لینوکس یا MSVC روی ویندوز نیاز دارید. مراحل زیر شما را از نصب تا اولین کامپایل راهنمایی می‌کند.

1. نصب کتابخانه Cython: ابتدا از طریق ابزار pip، سایکون را روی سیستم خود نصب کنید:

   pip install Cython

2. ساخت یک فایل کامپایل (setup.py): برای تبدیل فایل‌های .pyx (فرمت کدهای سایکون) به ماژول‌های قابل استفاده در پایتون، نیاز به یک اسکریپت بیلد داریم. فایلی به نام setup.py بسازید و کدهای زیر را در آن قرار دهید:

   from setuptools import setup
   from Cython.Build import cythonize
   
   setup(
       ext_modules = cythonize("speed_module.pyx")
   )
   

3. اجرای فرآیند بیلد: با اجرای دستور زیر در ترمینال، کدهای شما کامپایل شده و فایل با پسوند .so (در لینوکس/مک) یا .pyd (در ویندوز) آماده ایمپورت در کدهای پایتون خواهد شد:

   python setup.py build_ext --inplace

۴. کدهای پایتون برای افزایش سرعت با Cython: سناریوهای عملی

در این بخش چندین سناریوی واقعی را بررسی می‌کنیم تا به عینه قدرت کدهای پایتون برای افزایش سرعت با Cython را مشاهده کنید. اگر مایلید ترفندهای بیشتری از بهینه‌سازی کدهای پایتون را مطالعه کنید، می‌توانید به بخش قطعه کدهای پایتون سر بزنید.

سناریو ۱: محاسبات ریاضی سنگین و حلقه‌های طولانی

یک تابع ساده برای محاسبه‌ی مجموع اعداد تا یک مقدار مشخص را در نظر بگیرید. ابتدا کد را با پایتون معمولی می‌نویسیم:

# python_code.py
def sum_numbers(limit):
    total = 0
    for i in range(limit):
        total += i
    return total

حالا معادل همین کد را با تایپ استاتیک در Cython می‌نویسیم تا سرعت آن شگفت‌انگیز شود:

# speed_module.pyx
def sum_numbers_cython(long long limit):
    cdef long long total = 0
    cdef long long i
    for i in range(limit):
        total += i
    return total

سناریو ۲: پردازش سریع آرایه‌ها با استفاده از Memoryviews

اگر در برنامه‌تان با داده‌های عددی بزرگ کار می‌کنید (مثلاً آرایه‌های کتابخانه NumPy)، استفاده از Memoryviews در Cython به شما این امکان را می‌دهد که بدون کپی کردن آرایه در حافظه، به‌صورت مستقیم و با سرعت زبان C روی بافرهای حافظه عملیات انجام دهید:

# speed_module.pyx
import numpy as np
cimport numpy as cnp

def process_array_cython(double[:] arr):
    cdef int i
    cdef int n = arr.shape[0]
    for i in range(n):
        arr[i] = arr[i] * 2.5

سناریو ۳: آزادسازی قفل GIL برای پردازش چندرشته‌ای واقعی

یکی از بزرگ‌ترین چالش‌های پایتون، وجود GIL (Global Interpreter Lock) است که اجازه نمی‌دهد کدهای موازی به‌صورت همزمان روی چند هسته پردازنده اجرا شوند. Cython به ما اجازه می‌دهد این قفل را موقتاً آزاد کنیم:

# speed_module.pyx
from cython.parallel import prange

def parallel_loop(double[:] arr):
    cdef int i
    cdef int n = arr.shape[0]
    # آزادسازی GIL برای اجرای موازی واقعی روی هسته‌های CPU
    with nogil:
        for i in prange(n, schedule='static'):
            arr[i] = arr[i] * arr[i]

۵. تکنیک‌های پیشرفته برای بهینه‌سازی کدهای Cython

برای رسیدن به بالاترین سرعت ممکن در Cython، فقط نوشتن متغیرها کافی نیست؛ باید نکات ظریفی را در کد رعایت کنید:

• استفاده از cdef برای توابع داخلی: اگر تابعی دارید که فقط داخل فایل سایکون صدا زده می‌شود، از cdef یا cpdef به جای def استفاده کنید تا فراخوانی تابع با مکانیزم‌های پرسرعت C انجام گیرد.
• غیرفعال کردن کنترل مرزها (Bounds Checking): پایتون همواره چک می‌کند که آیا اندیس آرایه‌ای که فراخوانی کرده‌اید خارج از محدوده است یا خیر. با غیرفعال کردن این ویژگی در کدهای تست شده، سرعت را به حداکثر برسانید:

  cimport cython
  @cython.boundscheck(False)
  @cython.wraparound(False)
  def fast_func(double[:] arr):
      # کدهای حساس به سرعت شما در اینجا
  

• کامپایل و آنالیز بصری: با استفاده از دستور cython -a speed_module.pyx، یک فایل HTML تولید می‌شود که خطوط کند کدهای شما را با رنگ زرد نشان می‌دهد. هر چه کد زردتر باشد، تعامل آن با مفسر پایتون بیشتر و در نتیجه کندتر است.

۶. عیب‌یابی سریع: رفع خطاهای رایج در کامپایل Cython

۷. پرسش‌های متداول