np之类的大部分都做过底层优化的吧，机器学习更不用说了(｀･ω･)毕竟对于非程序员来说python上手很快了，还记得以前上机器学习课几个老哥用cpp写课设最后没写完的故事

>>No.53142685
太真实了，可以建议用rust写( ﾟ∀。)

cpython，多少沾点c不是( ﾟ∀ﾟ)

真正高性能的部分指不定是拿c/c++写的，python就是个胶水( ﾟ∀。)

你可以理解为就是个编译器，最后都是cuda指令在跑

很多py库都是c/c++封装，举个例子就是，如果pytorch/tf里没有你要用的算子，你得自己写从c++写起( ﾟ∀ﾟ)

因为你用的Python接口一般只是C++库的binding，真正的耗时计算都到了C++/CUDA里面了

( ﾟ∀。)因为实际运行的部分不是用的py

因为python这边做的都不是需要性能的部分，需要性能的部分都是库的内部调用高性能组件(c/cpp之类的高性能语言，以及调用cuda，simd之类)

你调用的包基本上都是用c实现的，python只是方便你用而已

顺便问个问题，python编译后也是C在跑，为什么会说性能"差"

>>No.53328099
编译了，但没完全编译，python不跑起来可不知道你a＋b操作里两边是个什么玩意

方便使用，机器学习从头用c艹写代码，你毕业了模型还没跑呢(*´д`)

>>No.53329362
编译出来执行文件那种，不是脚本跑。性能能差多少

>>No.53331857
Python 什么时候能编译成可执行文件了？

>>No.53331857
另外，编译之后因为不存在C，因为C最后也不是C在跑，而是x86或者arm或者riscv在跑
至于 PyPy 那个 JIT，它真的效率挺高的

>>No.53375492
我对python的记忆出现了一些混乱。
那么python的执行是离不开解释器，不可以直接到操作系统的是吗

>>No.53328099
Python本身有各种解释器实现，一般情况下（从 https://python.org/ 下载的）指的是官方的用C写的CPython，其他的实现就是前面有肥肥提过的PyPy以及.NET那边的IronPython等等。

一般说“PyPy更快”指的就是因为PyPy使用了JIT所以比CPython更快，不过PyPy的开发还得跟着CPython来所以会落后一两个大版本，以及pip上大多数带有二进制文件的包一般都是按照兼容CPython来编译的（whl文件名里会标上cp3*），但是兼容PyPy的就不一定有了（这种情况下文件名标的是pp3*），所以PyPy还是没办法完全取代CPython。

前几天出的Python 3.11说是进行了一些性能改进，当然这些改进也是在和CPython的旧版本对比下得出的。

>>No.53375460
pyinstaller这种直接把Python环境和py文件扔一起的就不提了，cython和nuitka了解一下( ﾟ∀。)

原理都是尝试把Python代码变成C然后编译成Python的C扩展来调用，性能提升主要是在代码标注一些变量类型正好可以对应到C的类型。