本文通过一个 RPython 基准测试程序，评估了 RPython 垃圾回收器 (GC) 的对象分配速度。测试结果显示，RPython GC 的分配速度惊人，达到 34 GB/s 以上，远超 Boehm GC。通过分析生成的机器码和性能计数器数据，作者发现 RPython GC 的快速分配源于其高效的 bump pointer 机制和极低的 GC 开销。即使在普通 Python 代码中，利用 PyPy JIT，也能达到 17 GB/s 的分配速度。
阅读更多
作者参与了Prospero挑战，目标是快速渲染莎士比亚《暴风雨》名言的1024x1024图像，该图像由一个包含7866个运算的数学公式生成。作者尝试了多种优化方法，包括使用Quadtree递归细分图像、区间分析简化公式、以及“所需信息”优化等。通过RPython和C语言实现，作者比较了不同优化策略的性能，其中“所需信息”优化显著提升了渲染速度，最终C语言实现结合该优化方法取得了最佳性能。
阅读更多
本文介绍了一种针对PyPy的低开销统计内存分析方法。该方法并非保存每次内存分配，而是仅保存每n个分配字节，巧妙地将采样逻辑整合到PyPy的垃圾收集器(GC)的bump pointer分配器检查中。通过这种方式，即使开启内存采样，快速路径也与未开启采样时完全相同，从而极大地降低了性能开销。实验结果表明，该方法在不同采样率下具有良好的性能表现，为内存分析提供了更精细的控制和更低的开销。
阅读更多
本文探讨了PyPy中使用的追踪JIT编译器的优缺点。追踪JIT通过追踪程序执行来生成代码，在处理Python等复杂语言时具有优势，因为它能够有效地穿过抽象层并消除大量开销。然而，追踪JIT也存在性能不稳定、存在一些难以处理的边界情况等缺点。作者基于在PyPy项目中近二十年的经验，对追踪JIT的适用场景进行了深入分析，并将其与基于方法的JIT进行了比较，最终认为追踪JIT在PyPy的元JIT环境下是一个相对务实的选择。
阅读更多
文章介绍了作者为PyPy JIT编译器开发的一种新的领域特定语言(DSL)，用于以声明方式指定整数运算的窥孔优化。作者阐述了引入DSL的动机，即现有的指令式表达方式冗长且容易出错。DSL使用模式匹配来识别和简化整数运算序列，并通过Z3定理证明器在构建过程中自动验证规则的正确性。文章详细介绍了DSL的语法、规则排序、活度分析、规则覆盖率检查、统计信息打印以及正确性和可满足性证明等方面。最后，作者总结了DSL的现状、未来计划和一些待解决的问题。
阅读更多
PyPy 团队发布了 PyPy 7.3.17 版本，该版本包括一个新的 RISC-V JIT 后端、一个基于 CPython 团队工作的改进 REPL 以及对整数运算的更好 JIT 优化。新版本包含 PyPy2.7 和 PyPy3.10 两个不同的解释器，分别支持 Python 2.7 和 3.10 的语法和特性。
阅读更多
这篇文章介绍了如何利用 Z3 定理证明器，分析 PyPy JIT 轨迹，找出其中可以优化的代码片段。作者首先介绍了如何将 JIT 轨迹转换为 Z3 公式，然后讲解了如何利用 Z3 识别冗余操作和常量布尔值，并以具体的代码示例进行说明。最后，作者分享了一些实验结果，并展望了未来的研究方向。
阅读更多