Python耗时统计-可嵌套-生成Timeline-chrome://tracing/预览

2024-03-30 17:04

本文主要是介绍Python耗时统计-可嵌套-生成Timeline-chrome://tracing/预览,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Python耗时统计-可嵌套-生成Timeline-chrome://tracing/预览

  • 一.效果
  • 二.代码

本文演示了如何用chrome://tracing查看python嵌套代码的耗时成分

一.效果

在这里插入图片描述

二.代码

import time
import os
import threading
import queuedef singleeton(cls):'''单例'''instance={}def _singleton(*args, **kwargs):if cls not in instance:instance[cls] = cls(*args, **kwargs)return instance[cls]return _singleton@singleeton
class TimeLineContext(object):def __init__(self,filepath="time.json") -> None:self.fo = open(filepath, "w")self.stack=[""]self.first=Trueself.fo.write("[\n")def __del__(self):print("TimeLineContext Close")self.fo.write("]\n")self.fo.close()def push_back(self,title):self.stack.append(title)def pop(self):self.stack.pop()def back(self):return self.stack[-1]def write(self,message):if not self.first:self.fo.write(",\n")self.first=Falseself.fo.write(message)class TimeLine:def __init__(self, title):          self.ctx= TimeLineContext() self.title = self.ctx.back()+"/"+title self.ctx.push_back(self.title)def __enter__(self):self.beg= time.time()*1000*1000self.pid=os.getpid()self.tid=threading.current_thread().identself.ctx.write("{"+f'"name": "{self.title}","cat": "PERF", "ph": "B", "pid": {self.pid}, "tid": {self.tid}, "ts": {self.beg}'+"}")def __exit__(self, exc_type, exc_val, exc_tb):self.end=time.time()*1000*1000self.ctx.write("{"+f'"name": "{self.title}","cat": "PERF", "ph": "E", "pid": {self.pid}, "tid": {self.tid}, "ts": {self.end}'+"}")self.ctx.pop()if __name__ == "__main__":with TimeLine(f"e2e"):for i in range(5):with TimeLine(f"iter:"):for j in range(2):with TimeLine(f"block:"):time.sleep(0.2)with TimeLine(f"branch:"):time.sleep(0.1)time.sleep(0.1)with TimeLine(f"demo:"):time.sleep(0.1)with TimeLine(f"end"):time.sleep(0.1)                    

这篇关于Python耗时统计-可嵌套-生成Timeline-chrome://tracing/预览的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/862063

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

hdu1254(嵌套bfs,两次bfs)

/*第一次做这种题感觉很有压力,思路还是有点混乱,总是wa,改了好多次才ac的思路:把箱子的移动当做第一层bfs,队列节点要用到当前箱子坐标(x,y),走的次数step,当前人的weizhi(man_x,man_y),要判断人能否将箱子推到某点时要嵌套第二层bfs(人的移动);代码如下:

hdu1496(用hash思想统计数目)

作为一个刚学hash的孩子,感觉这道题目很不错,灵活的运用的数组的下标。 解题步骤:如果用常规方法解,那么时间复杂度为O(n^4),肯定会超时,然后参考了网上的解题方法,将等式分成两个部分,a*x1^2+b*x2^2和c*x3^2+d*x4^2, 各自作为数组的下标,如果两部分相加为0,则满足等式; 代码如下: #include<iostream>#include<algorithm

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

poj 1287 Networking(prim or kruscal最小生成树)

题意给你点与点间距离,求最小生成树。 注意点是,两点之间可能有不同的路,输入的时候选择最小的,和之前有道最短路WA的题目类似。 prim代码: #include<stdio.h>const int MaxN = 51;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int P;int prim(){bool vis[MaxN];

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss