Faster Python, beyond semantic interposition
Dieses Issue hat noch niemand übernommen.
Bewertung
- Schwierigkeit
- 5/5
- Geschätzter Aufwand
- Über eine Woche
- Anfängerfreundlichkeit
- 25/100
- Issue-Typ
- Feature
- Klarheit
- Muss geklärt werden
- Aktivitätsstatus
- Veraltet
- Tech-Stack
- docker, python
- Bereich
- devops, performance
Rechercherichtung
Beginne damit, die gemeldeten pystone-Ergebnisse mit Docker und Podman über die im Issue aufgeführten Fedora-, Ubuntu-, Debian-slim- und Conda-Forge-Images hinweg zu reproduzieren. Vergleiche die Python-Laufzeit und die Image-Bedingungen, die sich zwischen diesen Läufen unterscheiden. Die Aufgabe gilt als erledigt, wenn eine spezifische, reproduzierbare Ursache für die Leistungslücke identifiziert und eine umsetzbare Verbesserung dokumentiert wurde.
Vom Indexierungsmodell aus dem Issue-Text verfasst.
Beschreibung
#501 has a useful suggestion for speeding up Python by ~20%. After that's done, it's actually possible to do better.
Host is Fedora 33. All tests were run with Python 3.9.
On host:
- Fedora's Python gives 200K pystone/sec.
- Conda-Forge Python gives 240K pystone/sec.
Running inside Docker 20.04 (cgroups v2 enabled):
- fedora:33 gives 173K pystone/sec.
- python:3.9-slim-buster, I get 169K pystone/sec.
- ubuntu:20.04 (no shared library): 183K pystone/sec.
- continuumio/miniconda3 with Python from Conda-Forge: 189K/sec
I am mystified why things are so much slower inside Docker. Some of this is clearly not because of the image, but the runtime. But notice the Ubuntu image is definitely faster.
With podman:
- python:3.9-slim-buster: 204K/sec
- continuumio/miniconda3 with Python from Conda-Forge: 230K/sec
Note that the Anaconda (default Conda) Python 3.9 does not appear faster, it's specifically whatever Conda-Forge does. I am trying to figure that out.
- Vorherrschende Sprache
- Dockerfile
- Sterne
- 2.8k
- Forks
- 1.1k
- Ø Merge
- 3 T. 1 Std.
- Gemergte PRs (30 T.)
- 1
Beitragsleitfaden
Für dieses Repository ist kein Beitragsleitfaden indexiert
Erste Schritte
- Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
- Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
- Forken Sie das Repository und arbeiten Sie in einem Branch.
- Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.
Mehr aus docker-library/python
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 72/100
docker-library/python#1080 · 8 Kommentare ·
-
Schwierigkeit 4/5 3-5 Tage Anfängerfreundlichkeit 45/100
docker-library/python#1121 · 2 Kommentare ·
-
Schwierigkeit 4/5 3-5 Tage Anfängerfreundlichkeit 45/100
docker-library/python#1082 · 10 Kommentare · 36 Reaktionen ·
-
Schwierigkeit 3/5 1-2 Tage Anfängerfreundlichkeit 55/100
docker-library/python#1076 · 6 Kommentare · 1 Reaktion ·
-
Schwierigkeit 3/5 1-2 Tage Anfängerfreundlichkeit 52/100
docker-library/python#1071 · 7 Kommentare ·
Alle Issues in docker-library/python
Ähnliche Issues
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 70/100
Azure/azure-functions-docker#1257 ·
-
Schwierigkeit 1/5 Unter einer Stunde Anfängerfreundlichkeit 75/100
conda-forge/vowpalwabbit-feedstock#104 · 1 Kommentar · 1 Reaktion ·
-
Add 4.2.2 Kafka version Offengood-start
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 65/100
-
deploy.sh hardcodes --dest while components.conf advertises WITH_PROXY_CA_BUNDLE as env-overridable Offenarea:proxy bug security severity:low track:open-source
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 70/100
-
Schwierigkeit 2/5 1-3 Stunden Anfängerfreundlichkeit 75/100
components-web-app/docs#73 ·