### 测量 Python 程序的运行时间 在 Python 中，有多种方法可以用于测量程序或特定代码片段的运行时间。以下是几种常见的实现方式： #### 使用 `time` 模块 最基础的方式是通过标准库中的 `time` 模块来记录起始时间和结束时间，并计算两者之间的差值。 ```python import time start_time = time.time() # 记录开始时间 # 这里放置要测量的代码逻辑 end_time = time.time() # 记录结束时间 runtime = end_time - start_time # 计算运行时间 print(f"Program runtime: {runtime:.6f} seconds") # 输出运行时间 ``` 这种方法适用于大多数场景下的简单性能评估[^1]。 #### 使用 `timeit` 模块 为了获得更精确的结果，尤其是针对短小代码片段的执行时间，推荐使用 `timeit` 模块。它能够屏蔽掉环境因素的影响并提供更加可靠的计时数据。 ```python from timeit import default_timer as timer start = timer() # 放置待测代码 end = timer() print(f"Runtime using timeit: {end - start:.6f} seconds") ``` 或者利用其内置功能直接对字符串形式的表达式进行多次重复测试以获取平均耗时： ```python import timeit code_to_test = """ sum(range(100)) """ elapsed_time = timeit.timeit(code_to_test, number=1000) print(f"Avg Runtime over 1k runs: {elapsed_time / 1000:.9f} sec per run") ``` 此模块非常适合于微基准测试场合下使用[^2]。 #### 结合 GPU 加速框架 (如 PyTorch/TensorFlow) 的情况 当涉及到深度学习模型训练或其他依赖硬件加速的任务时，则需额外考虑设备上下文切换所带来的开销。例如，在PyTorch项目中可以通过同步CUDA流后再调用上述任意一种手段完成整个流程所需总时长统计工作: ```python import torch import time device = 'cuda' if torch.cuda.is_available() else 'cpu' model = SomeModel().to(device) input_data = prepare_input_for_model().to(device) torch.cuda.synchronize() # Ensure all operations on the device have finished. t_start = time.perf_counter() output = model(input_data) # Forward pass through your network. torch.cuda.synchronize() # Again ensure everything has completed before stopping timing. t_end = time.perf_counter() total_runtime = t_end - t_start print('Total forward pass took {:.3f}s'.format(total_runtime)) ``` 这里采用了更高精度的 `perf_counter()` 函数替代普通的 `time.time()` 方法以便更好地适应现代多核处理器架构特性需求[^4].