### 如何测量并打印Python程序的执行时间 在Python中，可以使用`timeit`模块来精确测量一段代码或整个程序的执行时间。此方法能够提供高精度的结果，并适用于跨平台环境下的性能测试。 #### 使用 `timeit` 测量单行代码的执行时间 可以通过创建一个`Timer`对象并将目标代码作为字符串传递给它。随后调用其`timeit()`方法即可获得平均执行时间。 ```python from timeit import Timer t = Timer("for i in range(101): 1+1") # 将要测量的代码写成字符串形式 print(t.timeit()) # 默认重复执行次数为1百万次，返回总耗时[^1] ``` #### 利用 `timeit` 对复杂函数进行多次实验取均值 如果需要评估更复杂的逻辑或者希望得到更加稳定的统计结果，则应该考虑增加样本数量以及计算标准差等指标以便更好地理解数据分布情况。 ```python import timeit import numpy as np def some_function(): total = 0 for _ in range(1000): total += sum(range(10)) return total timing_number = 10 # 单次运行中的循环数 timing_repeat = 10 # 整体过程里的独立试验轮数 timer_instance = timeit.Timer(some_function) results_array_ms = ( np.array(timer_instance.repeat(repeat=timing_repeat, number=timing_number)) * 1000 / timing_number ) statistics_dict = { 'mean': np.mean(results_array_ms), 'median': np.median(results_array_ms), 'standard deviation': np.std(results_array_ms) } for key, value in statistics_dict.items(): print(f"{key}: {value:.6f} ms") ``` 上述脚本定义了一个简单的累加求和操作`somme_function`, 并通过设置参数控制每组内的迭代数目及时长记录频率. 最终输出各项描述性的数值特征.[^2] 另外还有一种方式就是直接引入外部文件夹里面的特定功能来做同样的事情. ```python # performance.py 文件内容如下: import timeit import numpy as np def test_perf(module): timing_number = 10 timing_repeat = 10 timing_results_list = ( np.array( timeit.Timer(lambda: module.run()).repeat( repeat=timing_repeat, number=timing_number ) ) * 1000 / timing_number ) timing_statistics = { "mean": np.mean(timing_results_list), "median": np.median(timing_results_list), "std": np.std(timing_results_list), } return timing_statistics ``` 这里假设存在名为module的对象拥有run方法可供调用，在实际应用当中可能替换成其他任何可被执行的目标实体.^{3} 最后值得注意的是除了专门用于测速之外还可以借助matplotlib库绘制图表展示学习率随训练周期变化的趋势同时观察验证损失曲线帮助调整超参比如降低遇到瓶颈时候的学习速率等等具体实现可见下面例子: ```python plt.plot(history.epoch, history.history['lr'], "bo-") plt.xlabel("Epoch") plt.ylabel("Learning Rate", color="b") plt.tick_params('y', colors="b") plt.gca().set_xlim(0, n_epochs-1) plt.grid(True) ax2 = plt.gca().twinx() ax2.plot(history.epoch, history.history['val_loss'], "r^-") ax2.set_ylabel("Validation Loss", color='r') ax2.tick_params('y', color='r') plt.title("Reduce LR on Plateau", fontsize=14) plt.show() ``` 这段绘图语句展示了如何在同一张图片上叠加两条不同类型的折线分别代表自变量相同情况下因变量之间的关系便于直观比较分析效果如何^[4].