TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #32 · 7 фев.

Скорее всего уже слышали, что складывать строки через + это плохая практика. Падение производительности, и всё такое. Без лишних слов, давайте измерять: from timeit import timeit def t1(): # складываем 10 строк через + из переменной t = 'text' for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t2(): # склеиваем список строк через метод join arr = ['text'] * 10 for _ in range(1000): s = ''.join(arr) def t3(): # складываем через + но не из переменной а непосредственно инлайн объекты for _ in range(1000): s = 'text' + 'text' + 'text' + ... # всего 10 раз Теперь каждую строку склейки запустим по 10М раз >>> timeit(t1, number=10000) 0.21951690399964718 >>> timeit(t2, number=10000) 1.4978306379998685 >>> timeit(t3, number=10000) 0.2213820789993406 Хм, а нам говорили что через "+" это плохо и медленно ))) 😁 Тут стоит учитывать, что речь идёт о склейке множества длинных строк. Давайте изменим условия: def t4(): t = 'text'*100 for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t5(): arr = ['text'*100] * 10 for _ in range(1000): s = ''.join(arr) def t6(): for _ in range(1000): s = 'text'*100 + 'text'*100 + ... # всего 10 раз >>> timeit(t4, number=10000) 12.795130728000004 >>> timeit(t5, number=10000) 2.642637542999182 >>> timeit(t6, number=10000) 0.2184546610005782 Вот, уже другой разговор, сразу видна разница, в среднем в 6 раз. Но погодите, почему последний тест t6() по скорости такой же как и t3()? Ведь строки теперь в 100 раз длиннее! Это вопросы оптимизации кода, какие простые изменения ускоряют или замедляют выполнение программы. Мы столкнулись с примером обхода обращения к переменной. Например, именно так работает директива #define в С++, во время компиляции подставляя значение переменной вместо ссылки на неё. В Python это тоже работает, но часто ли вы сможете встретить такой способ работы со строками? К сожалению, способ почти только теоретический. В целом, тесты показали то, что мы хотели. Делаем выводы самостоятельно. Полный листинг 🌍 #tricks

Резултати

Пронајдени 3 слични објави

Пребарај: #l1

当前筛选 #l1清除筛选
以太坊区块链新闻| ETH 以太币圈热瓜

@ethereumglobalnews · Post #1454 · 01.12.2025 г., 06:57

🪙 Vitalik: “You can just build on #L1” as fees stay cheap in 2025. #ETH 😎 Vitalik 表示: 由於 2025 年以太坊交易費持續保持低位,「直接在 L1 上構建」依然可行。今年以來 L1 需求增速溫和、區塊空間壓力未現顯著擁堵。 #Ethereum#DeFi#以太坊#市場趨勢 ——— ⚡️ 若費用長期維持低檔,L1 與 Rollup 的功能分工可能再度被市場重估 #Scaling ✅Chat: @Web3NewsInsight 🦂 👇Tip👇讚 或點擊進行💎資源搜索👇

以太坊区块链新闻| ETH 以太币圈热瓜

@ethereumglobalnews · Post #1618 · 26.12.2025 г., 04:57

🪙 L1 Tokens 2025 Performance Castle Labs data shows most Layer 1 tokens ended 2025 in negative territory. Only BNB (+18.2%) and TRX (+9.8%) managed to stay in positive returns. • ETH:-15.3% • SOL:-35.9% • SUI / AVAX:跌幅均超 -67% • TON:全年回撤接近 -74% ⚡️ 結構性行情下L1 不再齊漲齊跌 #Ethereum#L1#CryptoMarkets #OnChain#BNB#以太坊 —————— 👇⭐️👇 🤣 🥲👇 資源搜索 🖲️👆

DeepSchool

@deep_school · Post #83 · 20.09.2022 г., 14:35

Сегодня вторник, а значит в эфире рубрика “повторяем теорию”🤓 Вспомним про регуляризацию сетей, а именно про три популярных метода: L1, L2 и Dropout (ведь был популярен когда-то, надо отдать дань старичку). Статья в телеграфе 👉Регуляризуем правильно! #регуляризация#L1#L2#dropout