Unduhan awesome mojo - pengunduhan kode sumber awesome mojo

Mojo yang luar biasa

Mojo

Mojo — bahasa pemrograman baru untuk semua pengembang, ilmuwan AI/ML, dan insinyur perangkat lunak.

Daftar kurasi kode Mojo yang mengagumkan, pemecahan masalah, solusi, dan perpustakaan, kerangka kerja, perangkat lunak, dan sumber daya di masa depan.

Mari kumpulkan pengetahuan teknologi baru dan praktik terbaik di sini.

Mojo yang luar biasa
Komunitas Berbasis Mojo
Dokumen resmi Mojo

Mojo adalah bahasa pemrograman yang menggabungkan kemudahan penggunaan Python dengan kemampuan kinerja C++ dan Rust. Selain itu, Mojo memungkinkan pengguna untuk memanfaatkan ekosistem perpustakaan Python yang luas.

Secara singkat

Mojo memungkinkan Anda memanfaatkan seluruh ekosistem Python.
Mojo dirancang untuk menjadi superset dari Python.
Jadikan Mojo kompatibel dengan program Python yang ada.
Mojo sebagai anggota keluarga Python.
Diterapkan untuk sistem AI dan bidang AI.
Pemrograman yang dapat diskalakan untuk sistem heterogen.
Membangun menyatukan infrastruktur ML/AI dunia.
Inovasi dalam internal kompiler.
Dukungan untuk akselerator perangkat keras saat ini dan yang sedang berkembang.
Fitur pemrograman sistem.
Memanfaatkan ekosistem kompiler MLIR yang ada.

Halo Mojo

Mojo adalah bahasa pemrograman baru yang menjembatani kesenjangan antara penelitian dan produksi dengan menggabungkan sintaksis Python terbaik dengan pemrograman sistem dan metaprogramming.

hello.mojo atau hello. ekstensi file bisa berupa emoji!

Halo Mojo

Anda dapat membaca lebih lanjut tentang mengapa Modular melakukan Mengapa Mojo ini

Yang kami inginkan adalah model pemrograman yang inovatif dan terukur yang dapat menargetkan akselerator dan sistem heterogen lainnya yang banyak digunakan di bidang AI. ... Sistem AI yang diterapkan perlu mengatasi semua masalah ini, dan kami memutuskan tidak ada alasan hal itu tidak dapat dilakukan hanya dengan satu bahasa. Maka lahirlah Mojo.

Tapi Python telah melakukan tugasnya dengan sangat baik =)

Kami tidak melihat adanya kebutuhan untuk berinovasi dalam sintaksis bahasa atau komunitas. Jadi kami memilih untuk menggunakan ekosistem Python karena penggunaannya sangat luas, disukai oleh ekosistem AI, dan karena kami yakin bahasa ini sangat bagus.

Mengapa disebut Mojo?

Mojo berarti “pesona magis” atau “kekuatan magis”. Kami pikir ini adalah nama yang cocok untuk bahasa yang memberikan kekuatan ajaib pada Python :python:, termasuk membuka model pemrograman inovatif untuk akselerator dan sistem heterogen lainnya yang banyak digunakan dalam AI saat ini.

Guido van Rossum diktator yang baik hati seumur hidup dan Christopher Arthur Lattner penemu, pencipta dan pemimpin terkenal tentang Mojopronunciation =)

Sesuai dengan deskripsi

Definisi kata Mojo
suara Mojo

Latar belakang dan dipengaruhi oleh

Siapa tahu bahasa pemrograman ini akan sangat membahagiakan, karena Mojo mendapat manfaat dari pembelajaran luar biasa dari bahasa lain Rust, Swift, Julia, Zig, Nim, dll.

Rust memulai revolusi C dan sekarang Rust di kernel Linux.
Swift menjadikan Apple cantik dari sudut pandang teknis.
Performa tinggi Julia.
Bahasa pemrograman sistem Nim.
Bahasa pemrograman tujuan umum Zig. Kami menyukai dan mengikutinya =)

Mojo

Berita

[baru]

Github sekarang mendeteksi kode Mojo secara otomatis!
Kerangka kerja HTTP sederhana dan cepat untuk Mojo! Sempurna untuk membangun layanan web dan API sederhana. Untuk orang Mojician
Kerangka kerja benchmarking implementasi LLama
Terjemahan otomatis kode Python ke Mojo
Penelitian Basis Data Bahasa Pemrograman
19 Oktober 2023 Mojo sekarang tersedia di Mac! Gunakan konsol pengembang
Chris Lattner: Masa Depan Pemrograman dan AI | Podcast Lex Fridman #381
Penjelasan sistem tipe Mojo dan Python | Chris Lattner dan Lex Fridman
Bisakah Mojo menjalankan kode Python? | Chris Lattner dan Lex Fridman
Beralih dari bahasa pemrograman Python ke Mojo | Chris Lattner dan Lex Fridman
Topik GitHub Baru mojo-lang. Jadi Anda bisa mengikutinya.
Guido van Rossum tentang Mojo = Python dengan kinerja C++/GPU?
Struktur tensor dengan beberapa operasi dasar #251
Matriks fn dengan numpy #267
Pembaruan tentang lambda dan parameter Penutupan dan fungsi urutan yang lebih tinggi di mojo #244
25 Mei-2023, Guido van Rossum (gvanrossum#8415), pencipta dan emeritus BDFL Python, kunjungi Obrolan Perselisihan publik Mojo
Menunggu penyorotan sintaksis Mojo di GitHub
Rilis Mojo baru 24-05-2023

[tua]

Mojo

log perubahan
Diskusi
Masalah

Tolok ukur

Peralatan

menyempurnakan alat pembandingan baris perintah

brew install hyperfine

macchina frontend sistem informasi dengan penekanan pada kinerja.

brew install macchina

Lib Python3 untuk plot

pip3 install numpy matplotlib scipy

Kode ke gambar PNG

brew install silicon

Lingkungan pembandingan

Versi Python / Mojo / Codon / Rust

 > python3 --version
Python 3.11.6

> mojo --version
mojo 0.4.0 (9e33b013)

> codon --version
0.16.3

> rustc --version
rustc 1.65.0-nightly (9243168fa 2022-08-31)

Barisan Fibonacci

Mari kita cari Deret Fibonacci dimana

tidak = 100

Rekursi Urutan Fibonacci Python

 def fibonacci_recursion ( n ):
    return n if n < 2 else fibonacci_recursion ( n - 1 ) + fibonacci_recursion ( n - 2 )
fibonacci_recursion ( 100 )

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json python_recursion.json ' python3 benchmarks/fibonacci_sequence/python_recursion.py '

HASIL: TIMEOUT, saya membatalkan perhitungan setelah 1m

Iterasi Urutan Python Fibonacci

 def fibonacci_iteration ( n ):
    a , b = 0 , 1
    for _ in range ( n ):
        a , b = b , a + b
    return a
fibonacci_iteration ( 100 )

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/python_iteration.json ' python3 benchmarks/fibonacci_sequence/python_iteration.py '

HASIL :
Tolok ukur 1: benchmark python3/fibonacci_sequence/python_iteration.py
Waktu (rata-rata ± σ): 16374,7 µs ± 904,0 µs [Pengguna: 11483,5 µs, Sistem: 3680,0 µs]
Rentang (min … maks): 15361,0 µs … 22863,3 µs 100 kali berjalan

Kompilasi kode byte Python

python3 -m compileall benchmarks/fibonacci_sequence/python_recursion.py
python3 -m compileall benchmarks/fibonacci_sequence/python_iteration.py

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/python_recursion.cpython-311.json ' python3 benchmarks/fibonacci_sequence/__pycache__/python_recursion.cpython-311.pyc '
# TIMEOUT!

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/python_iteration.cpython-311.json ' python3 benchmarks/fibonacci_sequence/__pycache__/python_iteration.cpython-311.pyc '

HASIL :
Tolok ukur 1: benchmark python3/fibonacci_sequence/ pycache /python_iteration.cpython-311.pyc
Waktu (rata-rata ± σ): 16584,6 µs ± 761,5 µs [Pengguna: 11451,8 µs, Sistem: 3813,3 µs]
Rentang (min … maks): 15592,0 µs … 20953,2 µs 100 kali berjalan

Rekursi Deret Fibonacci Mojo

 fn fibonacci_recursion ( n : Int) -> Int:
    return n if n < 2 else fibonacci_recursion(n - 1 ) + fibonacci_recursion(n - 2 )
fn main ():
    _ = fibonacci_recursion( 100 )

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/mojo_recursion.json ' mojo run benchmarks/fibonacci_sequence/mojo_recursion.mojo '

HASIL: TIMEOUT, saya membatalkan perhitungan setelah 1m

Iterasi Deret Fibonacci Mojo

 fn fibonacci_iteration ( n : Int) -> Int:
    var a : Int = 0
    var b : Int = 1
    for _ in range (n):
        a = b
        b = a + b
    return a
fn main ():
    _ = fibonacci_iteration( 100 )

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/mojo_iteration.json ' mojo run benchmarks/fibonacci_sequence/mojo_iteration.mojo '

HASIL :
Tolok ukur 1: mojo run benchmarks/fibonacci_sequence/mojo_iteration.mojo
Waktu (rata-rata ± σ): 43852,7 µs ± 1353,5 µs [Pengguna: 38156,0 µs, Sistem: 10407,3 µs]
Rentang (min … maks): 42033,6 µs … 49357,3 µs 100 kali berjalan

Kompilasi kode Mojo

mojo build benchmarks/fibonacci_sequence/mojo_recursion.mojo
mojo build benchmarks/fibonacci_sequence/mojo_iteration.mojo

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/mojo_recursion.exe.json ' ./benchmarks/fibonacci_sequence/mojo_recursion '
# TIMEOUT!

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/mojo_iteration.exe.json ' ./benchmarks/fibonacci_sequence/mojo_iteration '

HASIL :
Tolok Ukur 1: ./benchmarks/fibonacci_sequence/mojo_iteration
Waktu (rata-rata ± σ): 934,6 µs ± 468,9 µs [Pengguna: 409,8 µs, Sistem: 247,8 µs]
Rentang (min … maks): 552,7 µs … 4522,9 µs 100 kali berjalan

Rekursi Barisan Codon Fibonacci

 def fibonacci_recursion(n):
    return n if n < 2 else fibonacci_recursion(n - 1) + fibonacci_recursion(n - 2)
fibonacci_recursion(100)

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/codon_recursion.json ' codon run --release benchmarks/fibonacci_sequence/codon_recursion.codon '

HASIL: TIMEOUT, saya membatalkan perhitungan setelah 1m

Iterasi Barisan Codon Fibonacci

 def fibonacci_iteration(n):
    a, b = 0, 1
    for _ in range(n):
        a, b = b, a+b
    return a
fibonacci_iteration(100)

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/codon_iteration.json ' codon run --release benchmarks/fibonacci_sequence/codon_iteration.codon '

HASIL :
Tolok ukur 1: menjalankan kodon --release benchmarks/fibonacci_sequence/codon_iteration.codon
Waktu (rata-rata ± σ): 628060,1 µs ± 10430,5 µs [Pengguna: 584524,3 µs, Sistem: 39358,5 µs]
Rentang (min … maks): 612742,5 µs … 662716,9 µs 100 kali berjalan

Kompilasi kode kodon

codon build --release -exe benchmarks/fibonacci_sequence/codon_recursion.codon
codon build --release -exe benchmarks/fibonacci_sequence/codon_iteration.codon

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json codon_recursion.exe.json ' ./benchmarks/fibonacci_sequence/codon_recursion '
# TIMEOUT!

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/codon_iteration.exe.json ' ./benchmarks/fibonacci_sequence/codon_iteration '

HASIL :
Tolok Ukur 1: ./benchmarks/fibonacci_sequence/codon_iteration
Waktu (rata-rata ± σ): 2732,7 µs ± 1145,5 µs [Pengguna: 1466,0 µs, Sistem: 1061,5 µs]
Rentang (min … maks): 2036,6 µs … 13236,3 µs 100 kali berjalan

Rekursi Deret Fibonacci Karat

 fn fibonacci_recursive ( n : i64 ) -> i64 {
    if n < 2 {
        return n ;
    }
    return fibonacci_recursive ( n - 1 ) + fibonacci_recursive ( n - 2 ) ;
}
fn main ( ) {
    let _ = fibonacci_recursive ( 100 ) ;
}

rustc -C opt-level=3 benchmarks/fibonacci_sequence/rust_recursion.rs -o benchmarks/fibonacci_sequence/rust_recursion

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/rust_recursion.json ' ./benchmarks/fibonacci_sequence/rust_recursion '

HASIL: TIMEOUT, saya membatalkan perhitungan setelah 1m

Iterasi Urutan Fibonacci Karat

 fn fibonacci_iteration ( n : usize ) -> usize {
    let mut a = 1 ;
    let mut b = 1 ;
    for _ in 1 ..n {
        let old = a ;
        a = b ;
        b += old ;
    }
    b
}
fn main ( ) {
    let _ = fibonacci_iteration ( 100 ) ;
}

rustc -C opt-level=3 benchmarks/fibonacci_sequence/rust_iteration.rs -o benchmarks/fibonacci_sequence/rust_iteration

hyperfine --warmup 10 -r 100 --time-unit=microsecond --export-json benchmarks/fibonacci_sequence/rust_iteration.json ' ./benchmarks/fibonacci_sequence/rust_iteration '

HASIL :
Tolok Ukur 1: ./benchmarks/fibonacci_sequence/rust_iteration
Waktu (rata-rata ± σ): 848,9 µs ± 283,2 µs [Pengguna: 371,8 µs, Sistem: 261,4 µs]
Rentang (min … maks): 525,9 µs … 2607,3 µs 100 kali berjalan

Ringkasan Deret Fibonacci

 # Merge all JSON files into benchmarks.json
python3 benchmarks/hyperfine-scripts/merge_jsons.py benchmarks/fibonacci_sequence/ benchmarks/fibonacci_sequence/benchmarks.json

python3 benchmarks/hyperfine-scripts/plot2.py benchmarks/fibonacci_sequence/benchmarks.json

python3 benchmarks/hyperfine-scripts/plot3.py benchmarks/fibonacci_sequence/benchmarks.json

python3 benchmarks/hyperfine-scripts/advanced_statistics.py benchmarks/fibonacci_sequence/benchmarks.json > benchmarks/fibonacci_sequence/benchmarks.json.md

silicon benchmarks/fibonacci_sequence/benchmarks.json.md -l python -o benchmarks/fibonacci_sequence/benchmarks.json.md.png

Statistik tingkat lanjut

Bersama

Diperbesar

Rinci satu per satu

Tempat

Karat
Mojo
kodon
ular piton

Tapi di sini banyak pertanyaan:

Bagaimana cara mengoptimalkan kode/membangun/menjalankan?
Mengapa mojo run sangat lambat?
Mengapa codon run --release sangat lambat?
Mengapa kode byte Python yang dikompilasi +/- sama dengan juru bahasa Python?
Mengapa juru bahasa Python lebih cepat daripada Mojo/Codon run ?

Jadi, bisa dibilang Mojo sama cepatnya dengan Rust di Mac!

Set Mandelbrot

Ayo temukan Mandelbrot Set dimana

LEBAR = 960
TINGGI = 960
MAX_ITERS = 200

MIN_X = -2,0
MAX_X = 0,6
MIN_Y = -1,5
MAX_Y = 1,5

Kumpulan Python Mandelbrot

 def mandelbrot_kernel ( c ):
    z = c
    for i in range ( MAX_ITERS ):
        z = z * z + c  # Change this for different Multibrot sets (e.g., 2 for Mandelbrot)
        if z . real * z . real + z . imag * z . imag > 4 :
            return i
    return MAX_ITERS


def compute_mandelbrot ():
    t = [[ 0 for _ in range ( WIDTH )] for _ in range ( HEIGHT )] # Pixel matrix
    dx = ( MAX_X - MIN_X ) / WIDTH
    dy = ( MAX_Y - MIN_Y ) / HEIGHT
    for row in range ( HEIGHT ):
        for col in range ( WIDTH ):
            t [ row ][ col ] = mandelbrot_kernel ( complex ( MIN_X + col * dx , MIN_Y + row * dy ))
    return t


compute_mandelbrot ()

python3 -m compileall benchmarks/multibrot_set/multibrot.py

hyperfine --warmup 10 -r 10 --time-unit=microsecond --export-json benchmarks/multibrot_set/multibrot.cpython-311.json ' python3 benchmarks/multibrot_set/__pycache__/multibrot.cpython-311.pyc '

HASIL :
Tolok ukur 1: python3 benchmarks/multibrot_set/ pycache /multibrot.cpython-311.pyc
Waktu (rata-rata ± σ): 5444155,4 µs ± 23059,7 µs [Pengguna: 5419790,1 µs, Sistem: 18131,3 µs]
Rentang (min … maks): 5408155,3 µs … 5490548,4 µs 10 kali berjalan

Set Mojo Mandelbrot

Versi Mojo tanpa optimasi.

 # Compute the number of steps to escape.
def multibrot_kernel ( c : ComplexFloat64) -> Int:
    z = c
    for i in range ( MAX_ITERS ):
        z = z * z + c  # Change this for different Multibrot sets (e.g., 2 for Mandelbrot)
        if z.squared_norm() > 4 :
            return i
    return MAX_ITERS


def compute_multibrot () -> Tensor[FloatType]:
    # create a matrix. Each element of the matrix corresponds to a pixel
    t = Tensor[FloatType]( HEIGHT , WIDTH )

    dx = ( MAX_X - MIN_X ) / WIDTH
    dy = ( MAX_Y - MIN_Y ) / HEIGHT

    y = MIN_Y
    for row in range ( HEIGHT ):
        x = MIN_X
        for col in range ( WIDTH ):
            t[Index(row, col)] = multibrot_kernel(ComplexFloat64(x, y))
            x += dx
        y += dy
    return t


_ = compute_multibrot()

mojo build benchmarks/multibrot_set/multibrot.mojo

hyperfine --warmup 10 -r 10 --time-unit=microsecond --export-json benchmarks/multibrot_set/multibrot.exe.json ' ./benchmarks/multibrot_set/multibrot '

HASIL :
Tolok Ukur 1: ./benchmarks/multibrot_set/multibrot
Waktu (rata-rata ± σ): 135880,5 µs ± 1175,4 µs [Pengguna: 133309,3 µs, Sistem: 1700,1 µs]
Rentang (min … maks): 134639,9 µs … 137621,4 µs 10 kali berjalan

Set Mandelbrot Paralel Mojo

 fn mandelbrot_kernel_SIMD [
    simd_width : Int
]( c : ComplexSIMD[float_type, simd_width]) -> SIMD [float_type, simd_width]:
    """ A vectorized implementation of the inner mandelbrot computation. """
    let cx = c.re
    let cy = c.im
    var x = SIMD [float_type, simd_width]( 0 )
    var y = SIMD [float_type, simd_width]( 0 )
    var y2 = SIMD [float_type, simd_width]( 0 )
    var iters = SIMD [float_type, simd_width]( 0 )

    var t : SIMD [DType.bool, simd_width] = True
    for i in range ( MAX_ITERS ):
        if not t.reduce_or():
            break
        y2 = y * y
        y = x.fma(y + y, cy)
        t = x.fma(x, y2) <= 4
        x = x.fma(x, cx - y2)
        iters = t.select(iters + 1 , iters)
    return iters


fn compute_multibrot_parallelized () -> Tensor[float_type]:
    let t = Tensor[float_type](height, width)

    @parameter
    fn worker ( row : Int):
        let scale_x = (max_x - min_x) / width
        let scale_y = (max_y - min_y) / height

        @parameter
        fn compute_vector [ simd_width : Int]( col : Int):
            """ Each time we operate on a `simd_width` vector of pixels. """
            let cx = min_x + (col + iota[float_type, simd_width]()) * scale_x
            let cy = min_y + row * scale_y
            let c = ComplexSIMD[float_type, simd_width](cx, cy)
            t.data().simd_store[simd_width](
                row * width + col, mandelbrot_kernel_SIMD[simd_width](c)
            )

        # Vectorize the call to compute_vector where call gets a chunk of pixels.
        vectorize[simd_width, compute_vector](width)

    # Parallelized
    parallelize[worker](height, height)
    return t


def main ():
    _ = compute_multibrot_parallelized()

mojo build benchmarks/multibrot_set/multibrot_mojo_parallelize.mojo

hyperfine --warmup 10 -r 10 --time-unit=microsecond --export-json benchmarks/multibrot_set/multibrot_mojo_parallelize.exe.json ' ./benchmarks/multibrot_set/multibrot_mojo_parallelize '

HASIL :
Tolok ukur 1: ./benchmarks/multibrot_set/multibrot_mojo_parallelize
Waktu (rata-rata ± σ): 7139,4 µs ± 596,4 µs [Pengguna: 36535,2 µs, Sistem: 6670,1 µs]
Rentang (min … maks): 6222,6 µs … 8269,7 µs 10 kali berjalan

Kumpulan Kodon Mandelbrot

 def mandelbrot_kernel(c):
    z = c
    for i in range(MAX_ITERS):
        z = z * z + c  # Change this for different Multibrot sets (e.g., 2 for Mandelbrot)
        if z.real * z.real + z.imag * z.imag > 4:
            return i
    return MAX_ITERS


def compute_mandelbrot():
    t = [[0 for _ in range(WIDTH)] for _ in range(HEIGHT)]  # Pixel matrix

    dx = (MAX_X - MIN_X) / WIDTH
    dy = (MAX_Y - MIN_Y) / HEIGHT

    @par(collapse=2)
    for row in range(HEIGHT):
        for col in range(WIDTH):
            t[row][col] = mandelbrot_kernel(complex(MIN_X + col * dx, MIN_Y + row * dy))
    return t


compute_mandelbrot()

Untuk uji coba atau plot (batalkan komentar pada kode dalam file)

CODON_PYTHON=/opt/homebrew/opt/[email protected]/Frameworks/Python.framework/Versions/3.11/lib/libpython3.11.dylib codon run --release benchmarks/multibrot_set/multibrot.codon

Bangun dan jalankan

codon build --release -exe benchmarks/multibrot_set/multibrot.codon -o benchmarks/multibrot_set/multibrot_codon

hyperfine --warmup 10 -r 10 --time-unit=microsecond --export-json benchmarks/multibrot_set/multibrot_codon.json ' ./benchmarks/multibrot_set/multibrot_codon '

HASIL :
Tolok ukur 1: ./benchmarks/multibrot_set/multibrot_codon
Waktu (rata-rata ± σ): 44184,7 µs ± 1142,0 µs [Pengguna: 248773,9 µs, Sistem: 72935,3 µs]
Rentang (min … maks): 42963,8 µs … 46456,2 µs 10 kali berjalan

codon build --release -exe benchmarks/multibrot_set/multibrot_codon_par.codon -o benchmarks/multibrot_set/multibrot_codon_par

hyperfine --warmup 10 -r 10 --time-unit=microsecond --export-json benchmarks/multibrot_set/multibrot_codon_par.json ' ./benchmarks/multibrot_set/multibrot_codon_par '

Ringkasan Kumpulan Mandelbrot

 # Merge all JSON files into benchmarks.json
python3 benchmarks/hyperfine-scripts/merge_jsons.py benchmarks/multibrot_set/ benchmarks/multibrot_set/benchmarks.json

python3 benchmarks/hyperfine-scripts/plot2.py benchmarks/multibrot_set/benchmarks.json

python3 benchmarks/hyperfine-scripts/plot3.py benchmarks/multibrot_set/benchmarks.json

python3 benchmarks/hyperfine-scripts/advanced_statistics.py benchmarks/multibrot_set/benchmarks.json > benchmarks/multibrot_set/benchmarks.json.md

silicon benchmarks/multibrot_set/benchmarks.json.md -l python -o benchmarks/multibrot_set/benchmarks.json.md.png

Statistik tingkat lanjut

Bersama

Diperbesar

Rinci satu per satu

Tempat

Mojo (paralel)
kodon
Mojo
ular piton

Tautan:

Kumpulan Multibrot

Mandelbrot = Multibrot dengan power = 2

 z = z ** power + c  # You can change this for different set

Bantal ImagingEffectMandelbrot bawaan
Mandelbrot versi Exaloop Codon
Mandelbrot versi Mojo modular
Kompleks Mojo squared_norm
Matplotlib Mandelbrot

Kode Mojo yang luar biasa

Algoritma Pencarian Biner

Dalam ilmu komputer, algoritma pencarian biner, juga dikenal sebagai pencarian setengah interval, pencarian logaritmik, atau potongan biner, adalah algoritma pencarian yang menemukan posisi nilai target dalam array yang diurutkan.

Mari kita buat beberapa kode dengan Python, Mojo, Swift, V, Julia, Nim, Zig.

Catatan: Untuk versi Python dan Mojo , saya meninggalkan beberapa optimasi dan membuat kode serupa untuk pengukuran dan perbandingan.

Pencarian Biner Python

 from typing import List
import timeit

SIZE = 1000000
MAX_ITERS = 100
COLLECTION = tuple ( i for i in range ( SIZE ))  # Make it aka at compile-time.


def python_binary_search ( element : int , array : List [ int ]) -> int :
    start = 0
    stop = len ( array ) - 1
    while start <= stop :
        index = ( start + stop ) // 2
        pivot = array [ index ]
        if pivot == element :
            return index
        elif pivot > element :
            stop = index - 1
        elif pivot < element :
            start = index + 1
    return - 1


def test_python_binary_search ():
    _ = python_binary_search ( SIZE - 1 , COLLECTION )


print (
    "Average execution time of func in sec" ,
    timeit . timeit ( lambda : test_python_binary_search (), number = MAX_ITERS ),
)

Pencarian Biner Mojo

 """Implements basic binary search."""

from Benchmark import Benchmark
from Vector import DynamicVector


alias SIZE = 1000000
alias NUM_WARMUP = 0
alias MAX_ITERS = 100


fn mojo_binary_search ( element : Int , array : DynamicVector [ Int ]) - > Int :
    var start = 0
    var stop = len ( array ) - 1
    while start <= stop :
        let index = ( start + stop ) // 2
        let pivot = array [ index ]
        if pivot == element :
            return index
        elif pivot > element :
            stop = index - 1
        elif pivot < element :
            start = index + 1
    return - 1


@ parameter  # statement runs at compile-time.
fn get_collection () - > DynamicVector [ Int ]:
    var v = DynamicVector [ Int ]( SIZE )
    for i in range ( SIZE ):
        v . push_back ( i )
    return v


fn test_mojo_binary_search () - > F64 :
    fn test_closure ():
        _ = mojo_binary_search ( SIZE - 1 , get_collection ())
    return F64 ( Benchmark ( NUM_WARMUP , MAX_ITERS ). run [ test_closure ]()) / 1e9


print (
    "Average execution time of func in sec " ,
    test_mojo_binary_search (),
)

Ini adalah pencarian biner pertama yang ditulis di komunitas Mojoby (@ego) dan diposting di mojo-chat.

Pencarian Biner Cepat

 func binarySearch ( items : [ Int ] , elem : Int ) -> Int {
    var low = 0
    var high = items . count - 1
    var mid = 0
    while low <= high {
        mid = Int ( ( high + low ) / 2 )
        if items [ mid ] < elem {
            low = mid + 1
        } else if items [ mid ] > elem {
            high = mid - 1
        } else {
            return mid
        }
    }
    return - 1
}

let items = [ 1 , 2 , 3 , 4 , 0 ] . sorted ( )
let res = binarySearch ( items : items , elem : 4 )
print ( res )

Pencarian Biner Julia

 function binarysearch (lst :: Vector{T} , val :: T ) where T
    low = 1
    high = length (lst)
    while low ≤ high
        mid = (low + high) ÷ 2
        if lst[mid] > val
            high = mid - 1
        elseif lst[mid] < val
            low = mid + 1
        else
            return mid
        end
    end
    return 0
end

Pencarian Biner Nim

 proc binarySearch [T](a: openArray [T], key: T): int =
  var b = len (a)
  while result < b:
    var mid = ( result + b) div 2
    if a[mid] < key: result = mid + 1
    else : b = mid
  if result >= len (a) or a[ result ] != key: result = - 1


let res = @ [ 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 , 12 , 14 , 16 , 18 , 20 , 22 , 25 , 27 , 30 ]
echo binarySearch (res, 10 )

Pencarian Biner Zig

 const std = @import ( "std" );

fn binarySearch ( comptime T : type , arr : [] const T , target : T ) ? usize {
    var lo : usize = 0 ;
    var hi : usize = arr . len - 1 ;

    while ( lo <= hi ) {
        var mid : usize = ( lo + hi ) / 2 ;

        if ( arr [ mid ] == target ) {
            return mid ;
        } else if ( arr [ mid ] < target ) {
            lo = mid + 1 ;
        } else {
            hi = mid - 1 ;
        }
    }

    return null ;
}

V Pencarian Biner

 fn binary_search (a [] int , value int ) int {
    mut low := 0
    mut high := a.len - 1
    for low < = high {
        mid := (low + high) / 2
        if a[mid] > value {
            high = mid - 1
        } else if a[mid] < value {
            low = mid + 1
        } else {
            return mid
        }
    }
    return - 1
}

fn main () {
    search_list := [ 1 , 2 , 3 , 5 , 6 , 7 , 8 , 9 , 10 ]
    println ( binary_search (search_list, 9 ))
}

Bonus V Luasnya Jalur Pencarian Pertama

BFS di contoh vlang
PR asli BFS

 fn breadth_first_search_path (graph map [ string ][] string , vertex string , target string ) [] string {
    mut path := [] string {}
    mut visited := [] string {init: vertex}
    mut queue := [][][] string {}
    queue << [[vertex], path]
    for queue.len > 0 {
        mut idx := queue.len - 1
        node := queue[idx][ 0 ][ 0 ]
        path = queue[idx][ 1 ]
        queue. delete (idx)
        if node == target {
            path << node
            return path
        }
        for child in graph[node] {
            mut tmp := path. clone ()
            if child ! in visited {
                visited << child
                tmp << node
                queue << [[child], tmp]
            }
        }
    }
    return path
}

fn main () {
    graph := map {
        'A' : [ 'B' , 'C' ]
        'B' : [ 'A' , 'D' , 'E' ]
        'C' : [ 'A' , 'F' ]
        'D' : [ 'B' ]
        'E' : [ 'B' , 'F' ]
        'F' : [ 'C' , 'E' ]
    }
    println ( 'Graph: $graph ' )
    path := breadth_first_search_path (graph, 'A' , 'F' )
    println ( 'The shortest path from node A to node F is: $path ' )
    assert path == [ 'A' , 'C' , 'F' ]
}

Buzz mendesis

Masalah buzz Leetcode Fizz
Wikipedia Fizz berdengung
Tambahkan beberapa optimasi, menurut pernyataan masalah Wikipedia.

Buzz Python Fizz

 import timeit

SIZE = 100
MAX_ITERS = 100


def _fizz_buzz ():  # Make it aka at compile-time.
  res = []
  for n in range ( 1 , SIZE + 1 ):
    if ( n % 3 == 0 ) and ( n % 5 == 0 ):
      s = "FizzBuzz"
    elif n % 3 == 0 :
      s = "Fizz"
    elif n % 5 == 0 :
      s = "Buzz"
    else :
      s = str ( n )
    res . append ( s )
  return res


DATA = _fizz_buzz ()


def fizz_buzz ():
  print ( " n " . join ( DATA ))


print (
  "Average execution time of Python func in sec" ,
  timeit . timeit ( lambda : fizz_buzz (), number = MAX_ITERS ),
)

# Average execution time of Python func in sec 0.005334990004485007

Clojure Fizz berdengung

( import '[java.io OutputStream])
( require '[clojure.java.io :as io])

( def devnull ( io/writer ( OutputStream/nullOutputStream )))

( defmacro timeit [n expr]
  `(with-out-str ( time
                   ( dotimes [_# ~( Math/pow 1 n)]
                     ( binding [*out* devnull]
                       ~expr)))))

( defmacro macro-fizz-buzz [n]
  `( fn []
    ( print
      ~( apply str
        ( for [i ( range 1 ( inc n))]
          ( cond
            ( zero? ( mod i 15 )) " FizzBuzz n "
            ( zero? ( mod i 5 ))  " Buzz n "
            ( zero? ( mod i 3 ))  " Fizz n "
            :else              ( str i " n " )))))))

( print ( timeit 100 ( macro-fizz-buzz 100 )))

; ; "Elapsed time: 0.175486 msecs"
; ; Average execution time of Clojure func in sec 0.000175486 seconds

Buzz MojoFizz

 from String import String
from Benchmark import Benchmark

alias SIZE = 100
alias NUM_WARMUP = 0
alias MAX_ITERS = 100


@ parameter  # statement runs at compile-time.
fn _fizz_buzz () - > String :
    var res : String = ""
    for n in range ( 1 , SIZE + 1 ):
      if ( n % 3 == 0 ) and ( n % 5 == 0 ):
        res += "FizzBuzz"
      elif n % 3 == 0 :
        res += "Fizz"
      elif n % 5 == 0 :
        res += "Buzz"
      else :
        res += String ( n )
      res += " n "
    return res


fn fizz_buzz ():
    print ( _fizz_buzz ())

fn run_benchmark () - > F64 :
    fn _closure ():
        _ = fizz_buzz ()
    return F64 ( Benchmark ( NUM_WARMUP , MAX_ITERS ). run [ _closure ]()) / 1e9


print (
    "Average execution time of func in sec " ,
    run_benchmark (),
)

# Average execution time of func in sec  0.000104

Ini adalah Fizz buzz pertama yang ditulis di Mojo oleh komunitas (@Ego).

Gabungkan semacam

Kami akan menggunakan algoritma dari referensi terkenal untuk buku algoritma Pengantar Algoritma A3

Ketenarannya menyebabkan penggunaan umum singkatan " CLRS " (Cormen, Leiserson, Rivest, Stein), atau, dalam edisi pertama, " CLR " (Cormen, Leiserson, Rivest).

Bab 2 "2.3.1 Pendekatan membagi-dan-menaklukkan".

Pengurutan Penggabungan Python

 % % python

import timeit

MAX_ITERS = 100


def merge ( A , p , q , r ):
    n1 = q - p + 1
    n2 = r - q
    L = [ None ] * n1
    R = [ None ] * n2
    for i in range ( n1 ):
        L [ i ] = A [ p + i ]
    for j in range ( n2 ):
        R [ j ] = A [ q + 1 + j ]
    i = 0
    j = 0
    k = p

    while i < n1 and j < n2 :
        if L [ i ] <= R [ j ]:
            A [ k ] = L [ i ]
            i += 1
        else :
            A [ k ] = R [ j ]
            j += 1
        k += 1

    while i < n1 :
        A [ k ] = L [ i ]
        i += 1
        k += 1

    while j < n2 :
        A [ k ] = R [ j ]
        j += 1
        k += 1


def merge_sort ( A , p , r ):
    if p < r :
        q = ( p + r ) // 2
        merge_sort ( A , p , q )
        merge_sort ( A , q + 1 , r )
        merge ( A , p , q , r )


def run_benchmark_merge_sort ():
    A = [ 14 , 72 , 50 , 83 , 18 , 20 , 13 , 30 , 17 , 87 , 94 , 65 , 24 , 99 , 70 , 44 , 5 , 12 , 74 , 6 , 32 , 63 , 91 , 88 , 43 , 54 , 27 , 39 , 64 , 78 , 29 , 62 , 58 , 59 , 61 , 89 , 2 , 15 , 41 , 9 , 93 , 90 , 23 , 96 , 73 , 14 , 8 , 28 , 11 , 42 , 77 , 34 , 52 , 80 , 57 , 84 , 21 , 60 , 66 , 40 , 7 , 85 , 47 , 98 , 97 , 35 , 82 , 36 , 49 , 3 , 68 , 22 , 67 , 81 , 56 , 71 , 4 , 38 , 69 , 95 , 16 , 48 , 1 , 31 , 75 , 19 , 10 , 25 , 79 , 45 , 76 , 33 , 53 , 55 , 46 , 37 , 26 , 51 , 92 , 86 ]
    merge_sort ( A , 0 , len ( A ) - 1 )

print (
  "Average execution time of Python `merge_sort` in sec" ,
  timeit . timeit ( lambda : run_benchmark_merge_sort (), number = MAX_ITERS ),
)
# Average execution time of Python `merge_sort` in sec 0.019136679999064654


def run_benchmark_sort ():
    A = [ 14 , 72 , 50 , 83 , 18 , 20 , 13 , 30 , 17 , 87 , 94 , 65 , 24 , 99 , 70 , 44 , 5 , 12 , 74 , 6 , 32 , 63 , 91 , 88 , 43 , 54 , 27 , 39 , 64 , 78 , 29 , 62 , 58 , 59 , 61 , 89 , 2 , 15 , 41 , 9 , 93 , 90 , 23 , 96 , 73 , 14 , 8 , 28 , 11 , 42 , 77 , 34 , 52 , 80 , 57 , 84 , 21 , 60 , 66 , 40 , 7 , 85 , 47 , 98 , 97 , 35 , 82 , 36 , 49 , 3 , 68 , 22 , 67 , 81 , 56 , 71 , 4 , 38 , 69 , 95 , 16 , 48 , 1 , 31 , 75 , 19 , 10 , 25 , 79 , 45 , 76 , 33 , 53 , 55 , 46 , 37 , 26 , 51 , 92 , 86 ]
    A . sort ()

print (
    "Average execution time of Python builtin `sort` in sec" ,
    timeit . timeit ( lambda : run_benchmark_sort (), number = MAX_ITERS ),
)
# Average execution time of Python builtin `sort` in sec 0.00019922800129279494

Semacam Penggabungan Mojo

 from Benchmark import Benchmark
from Vector import DynamicVector
from StaticTuple import StaticTuple
from Sort import sort

alias NUM_WARMUP = 0
alias MAX_ITERS = 100


fn merge ( inout A : DynamicVector [ Int ], p : Int , q : Int , r : Int ):
    let n1 = q - p + 1
    let n2 = r - q

    var L = DynamicVector [ Int ]( n1 )
    var R = DynamicVector [ Int ]( n2 )

    for i in range ( n1 ):
        L [ i ] = A [ p + i ]
    for j in range ( n2 ):
        R [ j ] = A [ q + 1 + j ]

    var i = 0
    var j = 0
    var k = p

    while i < n1 and j < n2 :
        if L [ i ] <= R [ j ]:
            A [ k ] = L [ i ]
            i += 1
        else :
            A [ k ] = R [ j ]
            j += 1
        k += 1

    while i < n1 :
        A [ k ] = L [ i ]
        i += 1
        k += 1

    while j < n2 :
        A [ k ] = R [ j ]
        j += 1
        k += 1


fn merge_sort ( inout A : DynamicVector [ Int ], p : Int , r : Int ):
    if p < r :
        let q = ( p + r ) // 2
        merge_sort ( A , p , q )
        merge_sort ( A , q + 1 , r )
        merge ( A , p , q , r )


@ parameter
fn create_vertor () - > DynamicVector [ Int ]:
    let st = StaticTuple [ MAX_ITERS , Int ]( 14 , 72 , 50 , 83 , 18 , 20 , 13 , 30 , 17 , 87 , 94 , 65 , 24 , 99 , 70 , 44 , 5 , 12 , 74 , 6 , 32 , 63 , 91 , 88 , 43 , 54 , 27 , 39 , 64 , 78 , 29 , 62 , 58 , 59 , 61 , 89 , 2 , 15 , 41 , 9 , 93 , 90 , 23 , 96 , 73 , 14 , 8 , 28 , 11 , 42 , 77 , 34 , 52 , 80 , 57 , 84 , 21 , 60 , 66 , 40 , 7 , 85 , 47 , 98 , 97 , 35 , 82 , 36 , 49 , 3 , 68 , 22 , 67 , 81 , 56 , 71 , 4 , 38 , 69 , 95 , 16 , 48 , 1 , 31 , 75 , 19 , 10 , 25 , 79 , 45 , 76 , 33 , 53 , 55 , 46 , 37 , 26 , 51 , 92 , 86 )
    var v = DynamicVector [ Int ]( st . __len__ ())
    for i in range ( st . __len__ ()):
        v . push_back ( st [ i ])
    return v


fn run_benchmark_merge_sort () - > F64 :
    fn _closure ():
        var A = create_vertor ()
        merge_sort ( A , 0 , len ( A ) - 1 )
    return F64 ( Benchmark ( NUM_WARMUP , MAX_ITERS ). run [ _closure ]()) / 1e9

print (
    "Average execution time of Mojo `merge_sort` in sec " ,
    run_benchmark_merge_sort (),
)
# Average execution time of Mojo `merge_sort` in sec 1.1345999999999999e-05


fn run_benchmark_sort () - > F64 :
    fn _closure ():
        var A = create_vertor ()
        sort ( A )
    return F64 ( Benchmark ( NUM_WARMUP , MAX_ITERS ). run [ _closure ]()) / 1e9

print (
    "Average execution time of Mojo builtin `sort` in sec " ,
    run_benchmark_sort (),
)
# Average execution time of Mojo builtin `sort` in sec 2.988e-06

Anda dapat menggunakannya seperti:

 # Usage: merge_sort

var A = create_vertor ()
merge_sort ( A , 0 , len ( A ) - 1 )

print ( len ( A ))
print ( A [ 0 ], A [ 99 ])

Built-in from Sort import sort quicksort sedikit lebih cepat daripada implementasi kami, namun kami dapat mengoptimalkannya selama mendalami bahasa dan seperti biasa dengan algoritma =) dan paradigma pemrograman.

Algoritma Multithread, Pengurutan gabungan multithread di halaman 797, 803 buku CLRS di atas
Algoritma Tiga Hongaria
Gunakan pengurutan penyisipan untuk subarray kecil, pengurutan gabungan hibrid
Gabungkan ke arah yang berbeda
Gunakan pendekatan adaptif
Terapkan penggabungan di tempat
Optimalkan akses memori
Mojo Stdlib Fungsional
Penggabungan ubin seperti di Tiling Matmul
Pengurutan penggabungan multiway paralel

Ringkasan algoritma pengurutan menggabungkan sortir dan quicksort

Lang	detik
Penggabungan_sortir Python	0,019136679
Pengurutan bawaan Python	0,000199228
Mojo menggabungkan_sort	0,000011346
Semacam bawaan Mojo	0,000002988

Mari buat plot untuk tabel ini.

 #%%python

import matplotlib . pyplot as plt
import numpy as np

languages = [ 'Python merge_sort' , 'Python builtin sort' , 'Mojo merge_sort' , 'Mojo builtin sort' ]
seconds = [ 0.019136679 , 0.000199228 , 0.000011346 , 0.000002988 ]

# Apply a custom transformation to the values
transformed_seconds = [ np . sqrt ( 1 / x ) for x in seconds ]

plt . barh ( languages , transformed_seconds )
plt . xlabel ( 'Custom Transformation' )
plt . ylabel ( 'Language and Sort Type' )
plt . title ( 'Comparison of Sorting Algorithms (Custom Transformation)' )

plt . show ()

Catatan plot, lebih banyak lebih baik dan lebih cepat.

Panduan pemrograman

Parameterisasi[]: pemrograman meta waktu kompilasi

Saya sangat menyarankan untuk memulai dari sini HelloMojo dan memahami parameterisasi [parameter] dan [ekspresi parameter] di sini. Seperti dalam contoh ini:

 fn concat [ len1 : Int , len2 : Int ]( lhs : MySIMD [ len1 ], rhs : MySIMD [ len2 ]) - > MySIMD [ len1 + len2 ]:
    let result = MySIMD [ len1 + len2 ]()
    for i in range ( len1 ):
        result [ i ] = lhs [ i ]
    for j in range ( len2 ):
        result [ len1 + j ] = rhs [ j ]
    return result


let a = MySIMD [ 2 ]( 1 , 2 )
let x = concat [ 2 , 2 ]( a , a )
x . dump ()

Waktu kompilasi [Parameter]: fn concat[len1: Int, len2: Int] .

Waktu berjalan (Args) : fn concat(lhs: MySIMD, rhs: MySIMD) .

Sintaks parameter PEP695 dalam tanda kurung siku [] .

Sekarang dengan Python:

 def func ( a : _T , b : _T ) -> _T :
    ...

Sekarang di Mojo:

 def func [ T ]( a : T , b : T ) -> T :
    ...

[Parameter] diberi nama dan memiliki tipe seperti nilai normal dalam program Mojo, tetapi parameters[] dievaluasi pada waktu kompilasi .

Program runtime dapat menggunakan nilai [parameter] - karena parameter diselesaikan pada waktu kompilasi sebelum dibutuhkan oleh program runtime - tetapi ekspresi parameter waktu kompilasi tidak boleh menggunakan nilai runtime.

Tipe Self dari PEP673

 fn __sub__ ( self , rhs : Self ) - > Self :
    let result = MySIMD [ size ]()
    for i in range ( size ):
        result [ i ] = self [ i ] - rhs [ i ]
    return result

Di dokumen Anda dapat menemukan kata Fields alias Atribut kelas dengan Python.

Jadi, Anda memanggil mereka dengan dot .

 from DType import DType
let bool_type = DType . bool

Model Tipe Data dan alias

Blok konstruksi dasar adalah DType. Beberapa analogi:
- Tipe NumPy
- Tipe Jax
- Tipe D TensorFlow

 from DType import DType
DType . si8

Kemudian Anda bisa membungkusnya dengan SIMD struct alias container.
Instruksi Tunggal SIMD, Banyak Data dan SIMD di wikipedia

 from DType import DType
from SIMD import SIMD , SI8

alias MY_SIMD_DType_si8 = SIMD [ DType . si8 , 1 ]
alias MY_SI8 = SI8
print ( MY_SIMD_DType_si8 == MY_SI8 )
# true

Kemudian rangkaian tipe tersebut dapat Anda bungkus dengan container DynamicVector atau sejenisnya.

 from DType import DType
from SIMD import SIMD , SI8
from Vector import DynamicVector
from String import String

alias a = DynamicVector [ SIMD [ DType . si8 , 1 ]]
alias b = DynamicVector [ SI8 ]
print ( a == b )
print ( a == String )
print ( b == String )
# all true

Jadi String hanyalah alias untuk sesuatu seperti DynamicVector[SIMD[DType.si8, 1]] .

`VariadicList` untuk merusak/membongkar/mengakses argumen

 from List import VariadicList

fn destructuring_arguments ( * args : Int ):
    let my_var_list = VariadicList ( args )
    for i in range ( len ( my_var_list )):
        print ( "argument" , i , ":" , my_var_list [ i ])

destructuring_arguments ( 1 , 2 , 3 , 4 )

Ini sangat berguna untuk membuat koleksi awal. Kita bisa menulis seperti ini:

 from Vector import DynamicVector
from StaticTuple import StaticTuple

fn create_vertor () - > DynamicVector [ Int ]:
    let st = StaticTuple [ 4 , Int ]( 1 , 2 , 3 , 4 )
    var v = DynamicVector [ Int ]( st . __len__ ())
    for i in range ( st . __len__ ()):
    v . push_back ( st [ i ])
    return v

v = create_vertor ()
print ( v [ 0 ], v [ 3 ])

# or
from List import VariadicList

fn create_vertor () - > DynamicVector [ Int ]:
  let var_list = VariadicList ( 1 , 2 , 3 , 4 )
  var v = DynamicVector [ Int ]( len ( var_list ))
  for i in range ( len ( var_list )):
    v . push_back ( var_list [ i ])
  return v

v = create_vertor ()
print ( v [ 0 ], v [ 3 ])

Baca selengkapnya tentang fungsi def dan fn

Rangkaian

 from String import String
# String concatenation
print ( String ( "'" ) + String ( 1 ) + "' n " )

# Python's join
print ( String ( "|" ). join ( "a" , "b" , "c" ))

# String format
from IO import _printf as print
let x : Int = 1
print ( "'%i' n " , x . value )

String dan irisan bawaan

Untuk string Anda dapat menggunakan Builtin Slice dengan format string slice[start:end:step].

 from String import String

let hello_mojo = String ( "Hello Mojo!" )
print ( "Till the end:" , hello_mojo [ 0 ::])
print ( "Before last 2 chars:" , hello_mojo [ 0 : - 2 ])
print ( "From start to the end with step 2:" , hello_mojo [ 0 :: 2 ])
print ( "From start to the before last with step 3:" , hello_mojo [ 0 : - 1 : 3 ])

Ada beberapa masalah dengan unicode, saat mengiris:

 let hello_mojo_unicode = String ( "Hello Mojo!" )
print ( "Unicode efore last 2 chars:" , hello_mojo_unicode [ 0 : - 2 ])
# no result, silents

Berikut ini penjelasan dan sedikit pembahasannya.

mbstowcs - mengonversi string multibyte menjadi string berkarakter lebar

Dekorator Mojo

@nilai

dekorator struct alias Python @dataclass . Ini akan menghasilkan metode __init__ , __copyinit__ , __moveinit__ untuk Anda secara otomatis.

 @ value
struct dataclass :
    var name : String
    var age : Int

Perhatikan bahwa dekorator @value hanya berfungsi pada tipe yang anggotanya copyable dan/atau movable .

@nilai("sepele")

@register_passable("sepele")

Tipe sepele. Dekorator ini memberi tahu Mojo bahwa tipenya harus __copyinit__ yang dapat disalin dan __moveinit__ yang dapat dipindahkan. Ini juga memberitahu Mojo untuk memilih meneruskan nilai dalam register CPU. Memungkinkan structs untuk ikut serta dalam register alih-alih melewati memory .

 @ register_passable ( "trivial" )
struct Int :
    var value : __mlir_type . `!pop.scalar<index>`

@selalu_inline

Dekorator yang memberikan kontrol penuh atas optimasi kompiler . Menginstruksikan kompiler untuk selalu menyejajarkan fungsi ini ketika dipanggil.

 @ always_inline
fn foo ( x : Int , y : Int ) - > Int :
    return x + y

fn bar ( z : Int ):
    let r = foo ( z , z ) # This call will be inlined

@parameter

Itu dapat ditempatkan pada fungsi bersarang yang menangkap nilai runtime untuk membuat penutupan penangkapan “parametrik”. Hal ini memungkinkan penutupan yang menangkap nilai runtime untuk diteruskan sebagai nilai parameter.

Kombinasi dekorator

 @ always_inline
@ parameter
fn test (): return

Pengecoran

Beberapa contoh casting

 s : StringLiteral
let p = DTypePointer [ DType . si8 ]( s . data ()). bitcast [ DType . ui8 ]()
var result = 0
result += (( p . simd_load [ 64 ]( offset ) >> 6 ) != 0b10 ). cast [ DType . ui8 ](). reduce_add (). to_int ()
let rest_p : DTypePointer [ DType . ui8 ] = stack_allocation [ simd_width , UI8 , 1 ]()

from Bit import ctlz
s : String
i : Int
let code = s . buffer . data . load ( i )
let byte_length_code = ctlz ( ~ code ). to_int ()

Stack, Mem, Pointer, Alokasi, Gratis

DTypePointer, Tumpukan dan Tumpukan

DTypePointer - menyimpan alamat dengan DType tertentu, memungkinkan Anda mengalokasikan, memuat, dan mengubah data dengan akses mudah ke operasi SIMD.

 from Pointer import DTypePointer
from DType import DType
from Random import rand
from Memory import memset_zero

# `heap`
var my_pointer_on_heap = DTypePointer [ DType . ui8 ]. alloc ( 8 )
memset_zero ( my_pointer_on_heap , 8 )

# `stack or register`
var data = my_pointer_on_heap . simd_load [ 8 ]( 0 )
print ( data )

rand ( my_pointer_on_heap , 4 )

# `data` does not contain a reference to the `heap`, so load the data again
data = my_pointer_on_heap . simd_load [ 8 ]( 0 )
print ( data )

# simd_load and simd_store
var half = my_pointer_on_heap . simd_load [ 4 ]( 0 )
half = half + 1
my_pointer_on_heap . simd_store [ 4 ]( 4 , half )
print ( my_pointer_on_heap . simd_load [ 8 ]( 0 ))

# Pointer move back
my_pointer_on_heap -= 1
print ( my_pointer_on_heap . simd_load [ 8 ]( 0 ))

# Mast free memory
my_pointer_on_heap . free ()

Struct dapat meminimalkan potensi bahaya pointer dengan membatasi scoup.

Artikel bagus di blog Mojo Dojo tentang DTypePointer di sini

Ditambah contohnya Matrix Struct dan DTypePointer

penunjuk

Pointer menyimpan alamat ke register_passable type apa pun, dan mengalokasikan n jumlahnya ke heap .

 from Pointer import Pointer
from Memory import memset_zero
from String import String

@ register_passable  # for syntaxt like `let coord = p1[0]` and let it be passed through registers.
struct Coord :  # memory-only type
    var x : UI8
    var y : UI8

var p1 = Pointer [ Coord ]. alloc ( 2 )

memset_zero ( p1 , 2 )
var coord = p1 [ 0 ]  # is an identifier to memory on the stack or in a register
print ( coord . x )

# Store the value

coord . x = 5
coord . y = 5
print ( coord . x )

# We need to store the data.
p1 . store ( 0 , coord )
print ( p1 [ 0 ]. x )

# Mast free memory
p1 . free ()

Artikel lengkap tentang Pointer

Ditambah contoh Pointer dan Struct

Modul Fitur Mojo dan Intrinsik Tingkat Lanjut

Intrinsik Modular itu adalah semacam backend eksekusi :

Fitur kompiler Mojo
LLVM intrinsik mungkin yang ini
Panggilan eksternal seperti libc
Representasi Menengah Multi-Level MLIR

Mojo-> Dialek MLIR -> backend eksekusi dengan kode dan arsitektur pengoptimalan.

MLIR adalah penyihir infrastruktur kompiler yang mengimplementasikan berbagai transformasi dan optimasi untuk berbagai bahasa pemrograman dan arsitektur .

panggilan telepon

MLIR sendiri tidak secara langsung menyediakan fungsionalitas untuk berinteraksi dengan syscall sistem operasi.

Yang merupakan antarmuka tingkat rendah ke layanan sistem operasi, biasanya ditangani pada tingkat bahasa pemrograman target atau sistem operasi itu sendiri. MLIR dirancang agar tidak bergantung pada bahasa dan target, dan fokus utamanya adalah menyediakan representasi perantara untuk melakukan pengoptimalan. Untuk melakukan syscall sistem operasi di MLIR, kita perlu menggunakan backend khusus target.

Namun dengan execution backends ini, pada dasarnya, kami memiliki akses ke syscall OS. Dan kami memiliki seluruh dunia hal-hal C/LLVM/Python.

Mari kita lihat sekilas dalam praktiknya:

 from OS import getenv

print ( getenv ( "PATH" ))
print ( getenv ( StringRef ( "PATH" )))

# or like this
from SIMD import SI8
from Intrinsics import external_call

var path1 = external_call [ "getenv" , StringRef ]( StringRef ( "PATH" ))
print ( path1 . data )

var path2 = external_call [ "getenv" , StringRef ]( "PATH" )
print ( path2 . data )

let abs_10 = external_call [ "abs" , SI8 , Int ]( - 10 )
print ( abs_10 )

Dalam contoh sederhana ini kami menggunakan external_call untuk mendapatkan variabel lingkungan OS dengan tipe casting antara fungsi Mojo dan libc. Keren sekali, ya!

Saya punya banyak ide dari topik ini dan saya menantikan kesempatan untuk segera mengimplementasikannya. Mengambil tindakan dapat membawa hasil yang luar biasa =)

MLIR libc gethostname

Mari kita lakukan sesuatu yang menarik - panggil libc function gethostname.

Fungsi memiliki antarmuka ini int gethostname (char *name, size_t size) .

Untuk itu kita bisa menggunakan fungsi pembantu external_call dari modul Intrinsik atau menulis MLIR sendiri.

Ayo kode:

 from Intrinsics import external_call
from SIMD import SIMD , SI8
from DType import DType
from Vector import DynamicVector
from DType import DType
from Pointer import DTypePointer , Pointer

# We can use `from String import String` but for clarification we will use a full form.
# DynamicVector[SIMD[DType.si8, 1]] == DynamicVector[SI8] == String

# Compile time stuff.
alias cArrayOfStrings = DynamicVector [ SIMD [ DType . si8 , 1 ]]
alias capacity = 1024

var c_pointer_to_array_of_strings = DTypePointer [ DType . si8 ]( cArrayOfStrings ( capacity ). data )
var c_int_result = external_call [ "gethostname" , Int , DTypePointer [ DType . si8 ], Int ]( c_pointer_to_array_of_strings , capacity )
let mojo_string_result = String ( c_pointer_to_array_of_strings . address )

print ( "C function gethostname result code:" , c_int_result )
print ( "C function gethostname result value:" , star_hostname ( mojo_string_result ))


@ always_inline
fn star_hostname ( hostname : String ) - > String :
    # [Builtin Slice](https://docs.modular.com/mojo/MojoBuiltin/BuiltinSlice.html)
    # string slice[start:end:step]
    return hostname [ 0 : - 1 : 2 ]

Server Soket MojoTCP dengan Antarmuka Python

Mari kita lakukan beberapa hal untuk WEB dengan Mojo. Kami tidak memiliki akses Internet di play.modular.com Tapi kami bisa mencuri melakukan beberapa hal menarik seperti TCP pada satu mesin.

Mari kita tulis kode server klien TCP pertama di Mojo dengan PythonInterface

Server Soket TCP Mojo
Server Klien TCP Mojo

Anda harus membuat dua buku catatan terpisah, dan menjalankan TCPSocketServer terlebih dahulu, lalu TCPSocketClient .

Versi Python dari kode ini hampir sama, kecuali:

with sintaksis
let menugaskan
dan destrukturisasi seperti a, b = (1, 2)

Antarmuka jaringan tingkat rendah soket Python
Kerangka kerja socketserver Python untuk server jaringan

MojoFastAPI dengan PythonInterface

Setelah TCP Server di Mojo kita maju =)

Ini gila, tapi mari kita coba menjalankan FastAPI server web Python modern dengan Mojo!

Persiapan

Kita perlu mengunggah kode FastAPI ke taman bermain. Jadi, lakukan di mesin lokal Anda

pip install --target=web fastapi uvicorn
tar -czPf web.tar.gz web

dan unggah web.tar.gz ke taman bermain melalui antarmuka web.

Kemudian kita perlu install , cukup masukkan ke folder yang sesuai:

 % % python
import os
import site

site_packages_path = site . getsitepackages ()[ 0 ]
# install fastapi
os . system ( f"tar xzf web.tar.gz -C { site_packages_path } " )
os . system ( f"cp -r { site_packages_path } /web/* { site_packages_path } /" )
os . system ( f"ls { site_packages_path } | grep fastapi" )
# clean packages
os . system ( f"rm -rf { site_packages_path } /web" )
os . system ( f"rm web.tar.gz" )

Server MojoFastAPI

 from PythonInterface import Python

# Python fastapi
let fastapi = Python . import_module ( "fastapi" )
let uvicorn = Python . import_module ( "uvicorn" )

var app = fastapi . FastAPI ()
var router = fastapi . APIRouter ()

# tricky part
let py = Python ()
let py_code = """lambda: 'Hello Mojo!'"""
let py_obj = py . evaluate ( py_code )
print ( py_obj )

router . add_api_route ( "/mojo" , py_obj )
app . include_router ( router )

print ( "Start FastAPI WEB Server" )
uvicorn . run ( app )
print ( "Done" )

Klien MojoFastAPI

 from PythonInterface import Python
let http_client = Python . import_module ( "http.client" )

let conn = http_client . HTTPConnection ( "localhost" , 8000 )
conn . request ( "GET" , "/mojo" )
let response = conn . getresponse ()
print ( response . status , response . reason , response . read ())

Seperti biasa, Anda harus membuat dua buku catatan terpisah, dan menjalankan FastAPI terlebih dahulu, lalu FastAPIClient .

Server MojoFastAPI
Buku Catatan Jupyter Server MojoFastAPI
Klien MojoFastAPI
Notebook Jupyter Klien MojoFastAPI

Ada banyak pertanyaan terbuka, tapi pada dasarnya kami mencapai tujuan.

Mojo bagus sekali!

Beberapa pertanyaan terbuka:

Kurangnya gula sintaksis Python
Kurangnya tipe Mojo secara implisit diubah menjadi objek Python
Bagaimana cara meneruskan fungsi Mojo ke ruang/fungsi Python

 from PythonInterface import Python

let pyfn = Python . evaluate ( "lambda x, y: x+y" )
let functools = Python . import_module ( "functools" )
print ( functools . reduce ( pyfn , [ 1 , 2 , 3 , 4 ]))

# How to, without Mojo pyfn.so?
def pyfn ( x , y ):
    retyrn x + y

Masa depan terlihat sangat optimis!

Tautan:

Mojo mengetik dengan Python
Mandelbrot di Mojo dengan plot Python

Implementasi kode

Perpindahan radiasi

Tolok ukur Mojo vs Numba oleh Nick Wogan

Instan dan DateTimeLocal

Penggunaan waktu oleh Samay Kapadia @Zalando

IDE

Menghubungkan ke taman bermain mojo Anda dari VSCode atau DataSpell

Antarmuka Python dan membaca file

oleh Maxim Zaks

 from String import String
from PythonInterface import Python

let pathlib = Python . import_module ( 'pathlib' )
let txt = pathlib . Path ( 'nfl.csv' ). read_text ()
let s : String = txt . to_string ()

implementasi libc

Data penunjuk

 from DType import DType
from Buffer import Buffer
from Pointer import Pointer
from String import String , chr

let hello = "hello"
let pointer = Pointer ( hello . data ())

print ( "variant 1" )
var result = String ()
for i in range ( len ( hello )):
    result += chr ( pointer . bitcast [ Int8 ](). offset ( i ). load (). to_int ())
print ( result )

print ( "variant 2" )
print ( StringRef ( hello . data ()))

print ( "variant 3" )
print ( StringRef ( pointer . address ))

print ( "variant 4" )
let pm : Pointer [ __mlir_type . `!pop.scalar<si8>` ] = Pointer ( hello . data ())
print ( StringRef ( pm . address ))

print ( "variant 5" )
print ( String ( pointer . address ))

print ( "variant 6" )
let x = Buffer [ 8 , DType . int8 ]( pointer )
let array = x . simd_load [ 10 ]( 0 )
var result = String ()
for i in range ( len ( array )):
    result += chr ( array [ i ]. to_int ())
print ( result )

Berbagi kode dari Mojo Playground

Dari Mojo Playground, right click file di explorer dan tekan Open With > Editor
Klik kanan di editor, select all dan copy
Buat inti GitHub baru atau masukkan file notebook Jupyter ke dalam repositori GitHub Anda
Tempelkan isinya dan beri nama file dengan ekstensi Jupyter seperti test .ipynb
Tempelkan tautan ke inti obrolan Discord

Github merendernya dengan benar, dan kemudian jika seseorang ingin mencoba kode di taman bermainnya, mereka dapat menyalin dan menempelkan kode mentahnya.

Zen dari Mojo

Panduan Gaya untuk Kode Mojo. Zen dari Mojo #141

Ruang untuk perbaikan

Ini adalah pandangan pribadi saya, jadi jangan menilai saya terlalu keras.

Saya tidak bisa mengatakan bahwa Mojo adalah bahasa pemrograman yang mudah dipelajari, seperti Python misalnya.

Ini membutuhkan banyak pemahaman, kesabaran dan pengalaman dalam bahasa pemrograman lainnya.

Kalau mau membangun sesuatu yang tidak sepele, susah tapi lucu!

Sudah 2 minggu sejak saya memulai perjalanan ini, dan saya sangat senang untuk berbagi bahwa saya sekarang telah mengenal baik Mojo.

Seluk-beluk struktur dan sintaksisnya mulai terkuak di depan mata saya , dan saya dipenuhi dengan pemahaman baru.

Saya bangga untuk mengatakan bahwa saya sekarang dapat dengan percaya diri membuat kode dalam bahasa ini, sehingga memungkinkan saya mewujudkan beragam ide .

Hal-hal utama yang perlu ditingkatkan:

Dokumentasi yang lemah dan tidak jelas.
Kurangnya contoh kode . Contoh yang bagus adalah situs web clojuredocs.
Penjelasan lebih lanjut tentang paradigma bahasa
Kurangnya perbandingan dengan tipe data/fungsi/kelas/ekspresi hal-hal dasar Python.
Meskipun Mojo adalah superset dari Python, ambang batas masuknya bahasa tidak sesederhana itu .
Agak mentah, perlu waktu untuk menstabilkan bahasa. Rilis produksi 1.0.
Bug , seperti yang lainnya.
Perpustakaan standar kecil.
Lingkungan Project Jupyter dan notebook . Saya memahami bahwa plugin Jupyter dan kernel khusus adalah solusi yang baik, tetapi ini membuat pengembangan menjadi sangat lambat.
Belum bersumber terbuka . Komunitas sedang menunggu compiler open source dan REPL untuk mulai mengembangkan dan memproduksi perpustakaan dan aplikasi. Saya pikir komunitas akan dengan mudah menulis ulang kompiler (bootstrapping) dari C++ ke Mojo sendiri.

Bagus dan bagus untuk menang

Tim modular dengan mudah menanggapi permintaan/pertanyaan/surat/ide
Komunitas yang ramah dan sangat cerdas
Bahasa pemrograman pemecahan masalah dengan ide untuk tidak membuat sintaksis baru tetapi menghadapi tantangan nyata.
Saya tidak tahu tentang Anda, tapi saya sudah lama menunggu dan meneliti Mojo. Saya telah mencoba ratusan bahasa pemrograman. Dunia siap menghadapi revolusi dan masa depan komputasi dan AI. Saya sangat menyukai Mojo, itu menggairahkan, membuat saya terpesona, dan saya berharap hal yang sama terjadi pada Anda.
Saya percaya bahwa seorang pemimpin terkemuka yang terkenal, Ph.D. Ilmu Komputer Chris Lattner dapat membangun berbagai hal, sistem, tim, dan mengubah masa depan.

Sejarah dan etimologi modular dan Mojo

Mojo adalah bahasa pemrograman Modular Inc. Kenapa Mojo kita bahas disini. Tentang Perusahaan yang kurang kita ketahui, namun memiliki nama yang sangat keren Modular , yang dapat dirujuk:

Aritmatika modular
Modulo
Pemrograman modular
Modularitas

"Dengan kata lain: Mojo bukanlah sihir, melainkan modular."

Semua tentang komputasi, pemrograman, AI/ML. Nama domain yang sangat bagus yang secara akurat menggambarkan arti Perusahaan.

Terdapat beberapa materi tambahan mengenai Kisah Merek Modular dan Membantu Modular Memanusiakan AI Melalui Merek

Bahan tambahan

Chris Lattner
LLVM
MLIR
Kompiler dan Alat IR Sirkuit
Kompilasi Silang Kompiler-rt
Masa depan AI bergantung pada Modularitas
Arsitektur Aplikasi Open Source LLVM
Masa Keemasan Desain Kompiler di Era Desain Bersama HW/SW oleh Dr. Chris Lattner
LLVM dalam 100 Detik
Mojo Dojo
Lembar Cheat Mojo
Menghitung karakter dengan SIMD di Mojo
Sejarah bahasa pemrograman

MLIR dan implementasi tingkat rendah

ml oksigen
Operasi Indeks
LLVM libc
libc GNU
Indeks libc GNU

Python / C++

Numpy
Numba berdasarkan (LLVM)
PyPy
Google JAX berdasarkan (XLA)
- Kelas Otomatis
- XLA
Sinar
Taichi Lang
- Taichi dibandingkan dengan cub cupy numba
kodon
- Tolok ukur kodon
CuPy
Cython
Pithran
Mypyc
Nuitka
Kecepatan Dalam
Tolok ukur untuk lib Python performa tinggi performa CPU dan GPU
aliran meta
Mempercepat eksperimen dengan mlops
nebuly-ai
Kompiler Numba untuk bytecode Python, Numba IR menjadi LLVM IR, Kompilasi LLVM IR ke kode mesin

AI

Komputasi yang Dipercepat
Standar terbuka ONNX untuk pembelajaran mesin
ONNX Runtime: inferensi ML berkinerja tinggi dan akselerator pelatihan lintas platform
CUDA
OpenCL
SIKL
Aliran Tensor Otak Google
PyTorch
TensorRT
Bahasa dan kompiler OpenaAI Triton
Dibuat Dengan ML
Verteks AI
Google TPU
pembuat bijak
MLIR: mempercepat AI dengan infrastruktur sumber terbuka
Apache TVM

Petunjuk ular piton

Hari ini saya ingin bercerita tentang masalah Python Enum. Sebagai seorang software engineer kita sering menemuinya di WEB. Asumsikan kita memiliki Skema DataBase (PostgreSQL) dengan status enum :

 CREATE TYPE public .status_type AS ENUM (
    ' FIRST ' ,
    ' SECOND '
);

Dalam kode Python kita memerlukan nama dan nilai sebagai string (asumsikan kita menggunakan GraphQL dengan beberapa tipe ENUM untuk sisi frontend kita), dan kita perlu menjaga urutannya dan memiliki kemampuan untuk membandingkan enum berikut:

order2.status > order1.status > 'FIRST'

Jadi ini masalah bagi sebagian besar bahasa umum =) tetapi kita dapat menggunakan fitur Python little-known dan mengganti metode kelas enum: __new__ .

Tapi kenapa?
Hm.. Untuk mengaitkan setiap nilai enum dengan INDEX-nya! MALE -> 1 , FEMALE -> 2 , seperti yang dilakukan PostgreSQL.
dan Bagaimana?
COUNT saja anggotanya dengan fungsi len !

 import enum
from functools import total_ordering


@ total_ordering
@ enum . unique
class BaseUniqueSortedEnum ( enum . Enum ):
    """Base unique enum class with ordering."""

    def __new__ ( cls , * args , ** kwargs ):
        obj = object . __new__ ( cls )
        obj . index = len ( cls . __members__ ) + 1  # This code line is a piece of advice, an insight and a tip!
        return obj

    # and then boring Python's magic methods as usual...

    def __hash__ ( self ) -> int :
        return hash (
          f" { self . __module__ } _ { self . __class__ . __name__ } _ { self . name } _ { self . value } "
        )

    def __eq__ ( self , other ) -> bool :
        self . _check_type ( other )
        return super (). __eq__ ( other )

    def __lt__ ( self , other ) -> bool :
        self . _check_type ( other )
        return self . index < other . index

    def _check_type ( self , other ) -> None :
        if type ( self ) != type ( other ):
            raise TypeError ( f"Different types of Enum: { self } != { other } " )


class Dog ( BaseUniqueSortedEnum ):
    # THIS ORDER MATTERS!
    BLOODHOUND = "BLOODHOUND"
    WEIMARANER = "WEIMARANER"
    SAME = "SAME"


class Cat ( BaseUniqueSortedEnum )
    # THIS ORDER MATTERS!
    BRITISH = "BRITISH"
    SCOTTISH = "SCOTTISH"
    SAME = "SAME"


# and some tests
assert Dog . BLOODHOUND < Dog . WEIMARANER
assert Dog . BLOODHOUND <= Dog . WEIMARANER
assert Dog . BLOODHOUND != Dog . WEIMARANER
assert Dog . BLOODHOUND == Dog . BLOODHOUND
assert Dog . WEIMARANER == Dog . WEIMARANER
assert Dog . WEIMARANER > Dog . BLOODHOUND
assert Dog . WEIMARANER >= Dog . BLOODHOUND

assert Cat . BRITISH < Cat . SCOTTISH
assert Cat . BRITISH <= Cat . SCOTTISH
assert Cat . BRITISH != Cat . SCOTTISH
assert Cat . BRITISH == Cat . BRITISH
assert Cat . SCOTTISH == Cat . SCOTTISH
assert Cat . SCOTTISH > Cat . BRITISH
assert Cat . SCOTTISH >= Cat . BRITISH

assert hash ( Dog . BLOODHOUND ) == hash ( Dog . BLOODHOUND )
assert hash ( Dog . WEIMARANER ) == hash ( Dog . WEIMARANER )
assert hash ( Dog . BLOODHOUND ) != hash ( Dog . WEIMARANER )
assert hash ( Dog . SAME ) != hash ( Cat . SAME )

# raise TypeError
Dog . SAME <= Cat . SAME
Dog . SAME < Cat . SAME
Dog . SAME > Cat . SAME
Dog . SAME >= Cat . SAME
Dog . SAME != Cat . SAME

Akhir cerita. dan gunakan wawasan Python ENUM ini untuk pengkodean yang baik!

Berkontribusi

Kontribusi Anda selalu diterima!
Jika Anda memiliki pertanyaan , jangan ragu untuk menghubungi saya.
Jika Anda ingin berpartisipasi dalam inisiatif Komunitas MojoDriven, silakan hubungi saya.
Bantuan Anda mendukung repositori ini

Memperluas

awesome mojo

Mojo yang luar biasa

Halo Mojo

Mengapa disebut Mojo?

Latar belakang dan dipengaruhi oleh

Berita

Tolok ukur

Peralatan

Lingkungan pembandingan

Barisan Fibonacci

Rekursi Urutan Fibonacci Python

Iterasi Urutan Python Fibonacci

Kompilasi kode byte Python

Rekursi Deret Fibonacci Mojo

Iterasi Deret Fibonacci Mojo

Kompilasi kode Mojo

Rekursi Barisan Codon Fibonacci

Iterasi Barisan Codon Fibonacci

Kompilasi kode kodon

Rekursi Deret Fibonacci Karat

Iterasi Urutan Fibonacci Karat

Ringkasan Deret Fibonacci

Set Mandelbrot

Kumpulan Python Mandelbrot

Set Mojo Mandelbrot

Set Mandelbrot Paralel Mojo

Kumpulan Kodon Mandelbrot

Ringkasan Kumpulan Mandelbrot

Kode Mojo yang luar biasa

Algoritma Pencarian Biner

Pencarian Biner Python

Pencarian Biner Mojo

Pencarian Biner Cepat

Pencarian Biner Julia

Pencarian Biner Nim

Pencarian Biner Zig

V Pencarian Biner

Bonus V Luasnya Jalur Pencarian Pertama

Buzz mendesis

Buzz Python Fizz

Clojure Fizz berdengung

Buzz MojoFizz

Gabungkan semacam

Pengurutan Penggabungan Python

Semacam Penggabungan Mojo

Ringkasan algoritma pengurutan menggabungkan sortir dan quicksort

Panduan pemrograman

Parameterisasi[]: pemrograman meta waktu kompilasi

Model Tipe Data dan alias

VariadicList untuk merusak/membongkar/mengakses argumen

Rangkaian

String dan irisan bawaan

Dekorator Mojo

@nilai

@nilai("sepele")

@register_passable("sepele")

@selalu_inline

@parameter

Kombinasi dekorator

Pengecoran

Stack, Mem, Pointer, Alokasi, Gratis

DTypePointer, Tumpukan dan Tumpukan

penunjuk

Modul Fitur Mojo dan Intrinsik Tingkat Lanjut

panggilan telepon

MLIR libc gethostname

Server Soket MojoTCP dengan Antarmuka Python

MojoFastAPI dengan PythonInterface

Persiapan

Server MojoFastAPI

Klien MojoFastAPI

Implementasi kode

Perpindahan radiasi

Instan dan DateTimeLocal

IDE

Antarmuka Python dan membaca file

Data penunjuk

Berbagi kode dari Mojo Playground

Zen dari Mojo

Ruang untuk perbaikan

`VariadicList` untuk merusak/membongkar/mengakses argumen