در این مطلب، ویدئو عملکرد تولید اعداد تصادفی پایتون با توزیع پایتون اینتل با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:07:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,009
سلام دوستان جف در اینجا با
2
00:00:02,009 –> 00:00:04,170
یک نکته ده دقیقه ای دیگر نگران است، همانطور که
3
00:00:04,170 –> 00:00:07,529
اکنون به کاوش در پایتون ادامه می دهم،
4
00:00:07,529 –> 00:00:09,750
کمی در مورد توزیع اینتل و نحوه
5
00:00:09,750 –> 00:00:11,400
استفاده آنها از برخی از
6
00:00:11,400 –> 00:00:14,639
کتابخانه های ++C خود برای سریعتر کردن پایتون
7
00:00:14,639 –> 00:00:16,770
به خصوص زمانی که از چیزهایی مانند استفاده می کنم یاد گرفتم.
8
00:00:16,770 –> 00:00:19,529
9
00:00:19,529 –> 00:00:22,020
این نمودار را بررسی کنید که آنها
10
00:00:22,020 –> 00:00:24,240
با اطلاعاتی در مورد
11
00:00:24,240 –> 00:00:27,570
اینکه چگونه توزیع پایتون
12
00:00:27,570 –> 00:00:30,480
آنها با اجرای کتابخانه
13
00:00:30,480 –> 00:00:32,700
شتاب تجزیه و تحلیل
14
00:00:32,700 –> 00:00:36,270
15
00:00:36,270 –> 00:00:39,090
16
00:00:39,090 –> 00:00:42,390
دادههایشان در C++ مقایسه میشود، این نمودار را بررسی کنید. ماشینهای پردازنده یک هستهای
17
00:00:42,390 –> 00:00:45,180
اما روی 32 هسته حتی
18
00:00:45,180 –> 00:00:48,090
روی رادار هم نیست، چیزی نیست، جایی که
19
00:00:48,090 –> 00:00:51,239
توزیع پایتون اینتل تقریباً 100
20
00:00:51,239 –> 00:00:53,430
درصد از امکانات
21
00:00:53,430 –> 00:00:57,180
آن کتابخانه C++ استفاده میکند که فوقالعاده است، اما من
22
00:00:57,180 –> 00:00:59,280
میخواهم بیشتر یاد بگیرم، اجازه دهید به
23
00:00:59,280 –> 00:01:02,219
کد ویژوال استودیو برویم. با استفاده
24
00:01:02,219 –> 00:01:03,930
از چند الگوریتم مختلف تولید اعداد تصادفی بررسی
25
00:01:03,930 –> 00:01:06,390
کنید و ببینید چه
26
00:01:06,390 –> 00:01:08,580
چیزی می توانیم پیدا کنیم. در این ماشین
27
00:01:08,580 –> 00:01:12,360
و از آنجا یاد بگیرید خوب اینجا من
28
00:01:12,360 –> 00:01:14,700
در کد ویژوال استودیو هستم و ipython را باز
29
00:01:14,700 –> 00:01:17,250
کردهام. من پایتون یکپارچه خود را
30
00:01:17,250 –> 00:01:20,850
اینجا دارم و اجازه دهید
31
00:01:20,850 –> 00:01:23,400
نگاهی گذرا به تولید یک
32
00:01:23,400 –> 00:01:26,970
آرایه تصادفی از حدود 10000 عدد بیندازیم. ببینید
33
00:01:26,970 –> 00:01:28,829
وقتی
34
00:01:28,829 –> 00:01:31,829
توزیع استوک پایتون را با توزیع اینتل مقایسه می کنیم، تفاوت عملکرد چیست،
35
00:01:31,829 –> 00:01:34,590
بنابراین من
36
00:01:34,590 –> 00:01:37,140
با وارد کردن numpy شروع می کنم و از
37
00:01:37,140 –> 00:01:39,509
numpy هم قابلیت های تصادفی و هم
38
00:01:39,509 –> 00:01:43,079
تصادفی اینتل را وارد می کنم، این عالی است
39
00:01:43,079 –> 00:01:44,729
زیرا ما دو ماژول داریم.
40
00:01:44,729 –> 00:01:46,710
عملکرد هر دو تصادفی و تصادفی int
41
00:01:46,710 –> 00:01:50,280
L که دقیقاً امضای یکسانی دارند، به طوری
42
00:01:50,280 –> 00:01:51,930
که ما میتوانیم در واقع
43
00:01:51,930 –> 00:01:54,420
زمانی که آماده خروج
44
00:01:54,420 –> 00:01:57,060
از توزیع سهام و ارتقاء
45
00:01:57,060 –> 00:01:59,189
و شروع استفاده از توزیع
46
00:01:59,189 –> 00:02:02,090
اینتل در امکانات اینتل با پایتون
47
00:02:02,090 –> 00:02:05,490
هستیم، آنها را به جای یکدیگر استفاده کنیم.
48
00:02:05,490 –> 00:02:11,150
نسل تصادفی برای 10000 عدد در این مورد
49
00:02:11,150 –> 00:02:15,549
که یک CPU Intel Core i7 7700 در
50
00:02:15,549 –> 00:02:18,590
3.6 گیگاهرتز با هشت
51
00:02:18,590 –> 00:02:22,010
52
00:02:22,010 –> 00:02:26,690
پردازنده منطقی است. حدود 750 میکروثانیه به اضافه
53
00:02:26,690 –> 00:02:28,579
یا منهای هشتاد و هشت میکروثانیه در هر
54
00:02:28,579 –> 00:02:31,700
حلقه بود که بسیار خوب است، اما اجازه دهید این کار را دوباره انجام دهیم
55
00:02:31,700 –> 00:02:33,799
و بیایید از
56
00:02:33,799 –> 00:02:38,840
نسخه تصادفی اینتل به نسخه تصادفی اینتل تغییر دهیم. سلام
57
00:02:38,840 –> 00:02:40,510
به آن 118 میکروثانیه نگاه کنید که
58
00:02:40,510 –> 00:02:44,840
حدود یک ششم
59
00:02:44,840 –> 00:02:47,060
مدت زمان اجرا
60
00:02:47,060 –> 00:02:49,810
بود. تولید اعداد تصادفی سهام
61
00:02:49,810 –> 00:02:52,700
که بسیار خوب است و حتی
62
00:02:52,700 –> 00:02:54,709
دقت بیشتر در یک نقطه هشت شش
63
00:02:54,709 –> 00:02:57,140
میکروثانیه در انحراف استاندارد
64
00:02:57,140 –> 00:03:00,049
من بسیار زیاد است که یک پیشرفت فوقالعاده است
65
00:03:00,049 –> 00:03:02,239
و تنها کاری که من باید انجام میدادم این بود
66
00:03:02,239 –> 00:03:05,359
که تصادفی را با اینتل تصادفی عوض کنم، خوب
67
00:03:05,359 –> 00:03:06,950
شما تحت تأثیر قرار نمیگیرید. شما
68
00:03:06,950 –> 00:03:10,040
تحت تأثیر قرار نگرفته اید،
69
00:03:10,040 –> 00:03:11,690
بیایید کمی بیشتر در اینجا نگاهی بیندازیم، اجازه دهید به برخی
70
00:03:11,690 –> 00:03:13,970
از الگوریتم های تخم ریزی تولید اعداد تصادفی نگاه
71
00:03:13,970 –> 00:03:16,730
کنیم و ببینیم چه کاری می توانیم انجام دهیم تا
72
00:03:16,730 –> 00:03:18,859
کمی عملکرد را با
73
00:03:18,859 –> 00:03:21,919
این الگوریتم ها نشان دهیم، خوب، اجازه دهید به این نمونه نگاهی بیندازیم.
74
00:03:21,919 –> 00:03:23,660
اکنون کد را وارد میکنیم و
75
00:03:23,660 –> 00:03:26,389
همان کتابخانه بیحرکتی
76
00:03:26,389 –> 00:03:29,000
را وارد میکنیم و همچنین
77
00:03:29,000 –> 00:03:31,730
قابلیتهای تصادفی اینتل را وارد میکنیم و
78
00:03:31,730 –> 00:03:33,829
چند تایمر برای تولید 1 تنظیم میکنیم. 0000
79
00:03:33,829 –> 00:03:37,400
عدد تصادفی است، اما ما چندین مولد اعداد شبه تصادفی مختلف را مبادله می کنیم
80
00:03:37,400 –> 00:03:39,079
81
00:03:39,079 –> 00:03:41,209
و سپس
82
00:03:41,209 –> 00:03:43,370
عملکرد آنها را نسبت به
83
00:03:43,370 –> 00:03:46,040
مولد اعداد تصادفی پایه مرسن توئیستر تست
84
00:03:46,040 –> 00:03:52,400
85
00:03:52,400 –> 00:03:53,540
86
00:03:53,540 –> 00:03:54,980
می کنیم. در واقع میخواهیم
87
00:03:54,980 –> 00:03:59,540
عملکرد نسبی را در مقایسه با
88
00:03:59,540 –> 00:04:02,180
الگوریتم چرخان مرسن محاسب