awesome mojo

โมโจ้สุดยอด

Mojo — ภาษาการเขียนโปรแกรมใหม่สำหรับนักพัฒนา นักวิทยาศาสตร์ AI/ML และวิศวกรซอฟต์แวร์ทุกคน

รายการโค้ด Mojo ที่ยอดเยี่ยม การแก้ปัญหา วิธีแก้ไข และไลบรารี เฟรมเวิร์ก ซอฟต์แวร์ และทรัพยากรในอนาคตที่คัดสรรมาอย่างดี

มารวบรวมความรู้ด้านเทคโนโลยีและแนวปฏิบัติที่ดีที่สุดใหม่ๆ ไว้ที่นี่

• โมโจ้สุดยอด
• ชุมชนขับเคลื่อนโมโจ
• เอกสาร Mojo อย่างเป็นทางการ

Mojo เป็นภาษาโปรแกรมที่ผสมผสานความเป็นมิตรต่อผู้ใช้ของ Python เข้ากับความสามารถด้านประสิทธิภาพของ C++ และ Rust นอกจากนี้ Mojo ยังช่วยให้ผู้ใช้ควบคุมระบบนิเวศอันกว้างขวางของไลบรารี Python

ในเวลาสั้นๆ

• Mojo ช่วยให้คุณใช้ประโยชน์จากระบบนิเวศ Python ทั้งหมด
• Mojo ได้รับการออกแบบมาเพื่อให้เป็นสุดยอดเซ็ตของ Python
• ทำให้ Mojo เข้ากันได้กับโปรแกรม Python ที่มีอยู่
• โมโจเป็นสมาชิกคนหนึ่งของตระกูล Python
• นำไปใช้กับระบบ AI และสาขา AI
• การเขียนโปรแกรมแบบปรับขนาดได้สำหรับระบบที่ต่างกัน
• สร้างโครงสร้างพื้นฐาน ML/AI ของโลกให้เป็นหนึ่งเดียว
• นวัตกรรมในคอมไพเลอร์ภายใน
• รองรับตัวเร่งความเร็วฮาร์ดแวร์ในปัจจุบันและที่เกิดขึ้นใหม่
• คุณสมบัติการเขียนโปรแกรมระบบ
• ใช้ประโยชน์จากระบบนิเวศคอมไพเลอร์ MLIR ที่มีอยู่

สวัสดีโมโจ

Mojo คือภาษาการเขียนโปรแกรมใหม่ที่เชื่อมช่องว่างระหว่างการวิจัยและการผลิตโดยการรวมไวยากรณ์ Python ที่ดีที่สุดเข้ากับการเขียนโปรแกรมระบบและการเขียนโปรแกรมเมตา

hello.mojo หรือ hello. นามสกุลไฟล์สามารถเป็นอิโมจิได้!

• สวัสดีโมโจ

คุณสามารถอ่านเพิ่มเติมเกี่ยวกับสาเหตุที่ Modular ทำสิ่งนี้ได้ ทำไมต้อง Mojo

สิ่งที่เราต้องการคือโมเดลการเขียนโปรแกรมเชิงนวัตกรรมและปรับขนาดได้ ซึ่งสามารถกำหนดเป้าหมายไปที่ตัวเร่งความเร็วและระบบที่ต่างกันอื่นๆ ที่แพร่หลายในสาขา AI ... ระบบ AI ที่ประยุกต์จำเป็นต้องแก้ไขปัญหาเหล่านี้ทั้งหมด และเราตัดสินใจว่าไม่มีเหตุผลใดที่จะไม่สามารถทำได้ด้วยภาษาเดียว โมโจจึงถือกำเนิดขึ้น

แต่ Python ทำงานได้ดีมาก =)

เราไม่เห็นความจำเป็นที่จะต้องสร้างสรรค์สิ่งใหม่ๆ ในด้านไวยากรณ์ของภาษาหรือชุมชน ดังนั้นเราจึงเลือกที่จะยอมรับระบบนิเวศ Python เนื่องจากมีการใช้งานกันอย่างแพร่หลาย เป็นที่ชื่นชอบของระบบนิเวศ AI และเนื่องจากเราเชื่อว่ามันเป็นภาษาที่ดีจริงๆ

ทำไมถึงชื่อโมโจ?

โมโจ แปลว่า "เสน่ห์วิเศษ" หรือ "พลังวิเศษ" เราคิดว่านี่เป็นชื่อที่เหมาะสมสำหรับภาษาที่นำพลังมหัศจรรย์มาสู่ Python :python: รวมถึงการปลดล็อกโมเดลการเขียนโปรแกรมที่เป็นนวัตกรรมสำหรับตัวเร่งความเร็วและระบบที่แตกต่างกันอื่น ๆ ที่แพร่หลายใน AI ในปัจจุบัน

Guido van Rossum เผด็จการที่มีเมตตาต่อชีวิตและ Christopher Arthur Lattner นักประดิษฐ์ผู้สร้างและผู้นำที่มีชื่อเสียงเกี่ยวกับ Mojopronunciation =)

ตามคำอธิบาย

• คำจำกัดความของคำว่าโมโจ
• เสียงโมโจ.

ความเป็นมาและได้รับอิทธิพลจาก

ใครจะรู้ว่าภาษาโปรแกรมเหล่านี้จะมีความสุขมาก เพราะ Mojo ได้ประโยชน์จากบทเรียนมากมายที่เรียนรู้จากภาษาอื่นอย่าง Rust, Swift, Julia, Zig, Nim ฯลฯ

• Rust เริ่มต้นการปฏิวัติ C และตอนนี้เป็นสนิมในเคอร์เนล Linux
• Swift ทำให้ Apple สวยงามจากมุมมองทางเทคนิค
• จูเลียประสิทธิภาพสูง
• ภาษาโปรแกรมระบบนิม
• ภาษาโปรแกรมอเนกประสงค์ Zig เราก็ชอบและติดตามนะ =)

ข่าว

[ใหม่]

• ตอนนี้ Github ตรวจจับรหัส Mojo โดยอัตโนมัติ!

  

• กรอบงาน HTTP ที่ง่ายและรวดเร็วสำหรับ Mojo! เหมาะสำหรับการสร้างบริการบนเว็บและ API แบบง่ายๆ สำหรับชาวโมจิเชียน

• กรอบการเปรียบเทียบการใช้งาน LLama

• การแปลโค้ด Python เป็น Mojo อัตโนมัติ

• การวิจัยฐานข้อมูลภาษาการเขียนโปรแกรม

• 19 ตุลาคม 2023 Mojo พร้อมใช้งานบน Mac แล้ว! ใช้คอนโซลนักพัฒนาซอฟต์แวร์

• Chris Lattner: อนาคตของการเขียนโปรแกรมและ AI | ไฟแนนเชี่ยล Fridman พอดคาสต์ #381

• อธิบายระบบประเภท Mojo และ Python | คริส แลตต์เนอร์ และเล็กซ์ ฟรีดแมน

• Mojo สามารถรันโค้ด Python ได้หรือไม่? - คริส แลตต์เนอร์ และเล็กซ์ ฟรีดแมน

• การเปลี่ยนจากภาษาโปรแกรม Python เป็นภาษาโปรแกรม Mojo | คริส แลตต์เนอร์ และเล็กซ์ ฟรีดแมน

• หัวข้อ GitHub ใหม่ mojo-lang ดังนั้นคุณสามารถปฏิบัติตามได้

  

• Guido van Rossum เกี่ยวกับ Mojo = Python พร้อมประสิทธิภาพ C++/GPU หรือไม่

• โครงสร้างเทนเซอร์พร้อมปฏิบัติการพื้นฐาน #251

• เมทริกซ์ fn ด้วยตัวเลข #267

• อัปเดตเกี่ยวกับ lambda และการปิด parameter และฟังก์ชันลำดับที่สูงขึ้นใน mojo #244

• 25 พฤษภาคม 2023 Guido van Rossum (gvanrossum#8415) ผู้สร้างและกิตติคุณ BDFL ของ Python เยี่ยมชม Discord Chat สาธารณะของ Mojo

• กำลังรอการเน้นไวยากรณ์ Mojo ที่ GitHub

• ใหม่ Mojorelease 2023-05-24

[เก่า]

โมโจ

• บันทึกการเปลี่ยนแปลง
• การอภิปราย
• ปัญหา

เกณฑ์มาตรฐาน

เครื่องมือ

• ไฮเปอร์ไฟน์เครื่องมือเปรียบเทียบบรรทัดคำสั่ง

brew install hyperfine

• macchina ส่วนหน้าข้อมูลระบบโดยเน้นที่ประสิทธิภาพ

brew install macchina

• Python3 libs สำหรับแปลง

pip3 install numpy matplotlib scipy

• โค้ดเป็น PNG ของภาพ

brew install silicon

สภาพแวดล้อมการเปรียบเทียบ

เวอร์ชัน 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)

ลำดับฟีโบนัชชี

ให้เราค้นหาลำดับฟีโบนัชชีที่ไหน

ยังไม่มีข้อความ = 100

Python การเรียกซ้ำลำดับ 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 python_recursion.json ' python3 benchmarks/fibonacci_sequence/python_recursion.py '

ผลลัพธ์: หมดเวลา ฉันยกเลิกการคำนวณหลังจากผ่านไป 1 นาที

Python การวนซ้ำลำดับ 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: เกณฑ์มาตรฐาน python3/fibonacci_sequence/python_iteration.py
เวลา (เฉลี่ย ± σ): 16374.7 µs ± 904.0 µs [ผู้ใช้: 11483.5 µs, ระบบ: 3680.0 µs]
ช่วง (ต่ำสุด … สูงสุด): 15361.0 µs … 22863.3 µs 100 รอบ

คอมไพล์โค้ดไบต์ 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: เกณฑ์มาตรฐาน python3/fibonacci_sequence/ pycache /python_iteration.cpython-311.pyc
เวลา (เฉลี่ย ± σ): 16584.6 µs ± 761.5 µs [ผู้ใช้: 11451.8 µs, ระบบ: 3813.3 µs]
ช่วง (ต่ำสุด … สูงสุด): 15592.0 µs … 20953.2 µs 100 รอบ

การเรียกซ้ำลำดับ Mojo Fibonacci

 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 '

ผลลัพธ์: หมดเวลา ฉันยกเลิกการคำนวณหลังจากผ่านไป 1 นาที

การวนซ้ำลำดับ Mojo Fibonacci

 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: mojo เรียกใช้การวัดประสิทธิภาพ/fibonacci_sequence/mojo_iteration.mojo
เวลา (เฉลี่ย ± σ): 43852.7 µs ± 1353.5 µs [ผู้ใช้: 38156.0 µs, ระบบ: 10407.3 µs]
ช่วง (ต่ำสุด … สูงสุด): 42033.6 µs … 49357.3 µs 100 รอบ

รวบรวมโค้ด 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: ./benchmarks/fibonacci_sequence/mojo_iteration
เวลา (เฉลี่ย ± σ): 934.6 µs ± 468.9 µs [ผู้ใช้: 409.8 µs, ระบบ: 247.8 µs]
ช่วง (ต่ำสุด…สูงสุด): 552.7 µs … 4522.9 µs 100 รอบ

การเรียกซ้ำลำดับ 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 '

ผลลัพธ์: หมดเวลา ฉันยกเลิกการคำนวณหลังจากผ่านไป 1 นาที

การวนซ้ำลำดับ 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: การรันโค้ด --release การวัดประสิทธิภาพ/fibonacci_sequence/codon_iteration.codon
เวลา (เฉลี่ย ± σ): 628060.1 µs ± 10430.5 µs [ผู้ใช้: 584524.3 µs, ระบบ: 39358.5 µs]
ช่วง (ต่ำสุด … สูงสุด): 612742.5 µs … 662716.9 µs 100 รอบ

คอมไพล์โค้ด Codon

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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: ./benchmarks/fibonacci_sequence/codon_iteration
เวลา (เฉลี่ย ± σ): 2732.7 µs ± 1145.5 µs [ผู้ใช้: 1466.0 µs, ระบบ: 1061.5 µs]
ช่วง (ต่ำสุด … สูงสุด): 2036.6 µs … 13236.3 µs 100 รอบ

การเรียกซ้ำลำดับฟีโบนัชชีสนิม

 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 '

ผลลัพธ์: หมดเวลา ฉันยกเลิกการคำนวณหลังจากผ่านไป 1 นาที

การวนซ้ำลำดับสนิมฟีโบนัชชี

 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: ./benchmarks/fibonacci_sequence/rust_iteration
เวลา (เฉลี่ย ± σ): 848.9 µs ± 283.2 µs [ผู้ใช้: 371.8 µs, ระบบ: 261.4 µs]
ช่วง (ต่ำสุด…สูงสุด): 525.9 µs … 2607.3 µs 100 รอบ

สรุปลำดับฟีโบนัชชี

 # 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

สถิติขั้นสูง

ทั้งหมดเข้าด้วยกัน

ซูมแล้ว

อย่างละเอียดทีละรายการ

สถานที่

1. สนิม
2. โมโจ
3. โคดอน
4. หลาม

แต่มีคำถามมากมาย:

• จะเพิ่มประสิทธิภาพโค้ด/บิลด์/รันได้อย่างไร?
• ทำไม mojo run ช้ามาก?
• ทำไม codon run --release ช้ามาก?
• เหตุใดรหัสไบต์ Python ที่คอมไพล์ +/- เท่ากับล่าม Python
• เหตุใดตัวแปล Python จึงเร็วกว่า Mojo/Codon run

ดังนั้นเราจึงบอกได้ว่า Mojo นั้นเร็วเท่ากับ Rust บน Mac!

ชุดมันเดลโบรต์

มาตามหา Mandelbrot Set กันดีกว่า

ความกว้าง = 960
ความสูง = 960
MAX_ITERS = 200

MIN_X = -2.0
MAX_X = 0.6
MIN_Y = -1.5
MAX_Y = 1.5

ชุดไพธอน แมนเดลโบรต์

 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: เกณฑ์มาตรฐาน python3/multibrot_set/ pycache /multibrot.cpython-311.pyc
เวลา (เฉลี่ย ± σ): 5444155.4 µs ± 23059.7 µs [ผู้ใช้: 5419790.1 µs, ระบบ: 18131.3 µs]
ช่วง (ต่ำสุด … สูงสุด): 5408155.3 µs … 5490548.4 µs 10 รอบ

ชุดโมโจ มานเดลโบรต์

เวอร์ชัน Mojo ที่ไม่มีการเพิ่มประสิทธิภาพ

 # 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: ./benchmarks/multibrot_set/multibrot
เวลา (เฉลี่ย ± σ): 135880.5 µs ± 1175.4 µs [ผู้ใช้: 133309.3 µs, ระบบ: 1700.1 µs]
ช่วง (ต่ำสุด … สูงสุด): 134639.9 µs … 137621.4 µs 10 รอบ

ชุด Mandelbrot แบบขนาน 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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: ./benchmarks/multibrot_set/multibrot_mojo_parallelize
เวลา (เฉลี่ย ± σ): 7139.4 µs ± 596.4 µs [ผู้ใช้: 36535.2 µs, ระบบ: 6670.1 µs]
ช่วง (ต่ำสุด…สูงสุด): 6222.6 µs … 8269.7 µs 10 รอบ

ชุดโคดอน มานเดลโบรต์

 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()

สำหรับการทดสอบการทำงานหรือการลงจุด (โค้ดที่ไม่มีเครื่องหมายข้อคิดเห็นในไฟล์)

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

สร้างและดำเนินการ

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 '

ผลลัพธ์ :
เกณฑ์มาตรฐาน 1: ./benchmarks/multibrot_set/multibrot_codon
เวลา (เฉลี่ย ± σ): 44184.7 µs ± 1142.0 µs [ผู้ใช้: 248773.9 µs, ระบบ: 72935.3 µs]
ช่วง (ต่ำสุด … สูงสุด): 42963.8 µs … 46456.2 µs 10 รอบ

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 ' 

สรุปชุดมันเดลโบรต์

 # 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

สถิติขั้นสูง

ทั้งหมดเข้าด้วยกัน

ซูมแล้ว

อย่างละเอียดทีละรายการ

สถานที่

1. โมโจ (ขนาน)
2. โคดอน
3. โมโจ
4. หลาม

ลิงค์:

• ชุดมัลติโบรท

Mandelbrot = Multibrot ที่มี power = 2

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

• หมอนในตัว ImagingEffectMandelbrot

• Mandelbrot เวอร์ชัน Exaloop Codon

• Mandelbrot เวอร์ชันโมดูลาร์ Mojo

• โมโจคอมเพล็กซ์กำลังสอง_norm

• มัตพล็อตลิบ มานเดลโบรต์

รหัส Mojo ที่ยอดเยี่ยม

อัลกอริธึมการค้นหาแบบไบนารี

ในวิทยาการคอมพิวเตอร์ อัลกอริธึมการค้นหาแบบไบนารีหรือที่เรียกว่าการค้นหาแบบครึ่งช่วง การค้นหาแบบลอการิทึม หรือแบบไบนารีสับ เป็นอัลกอริทึมการค้นหาที่ค้นหาตำแหน่งของค่าเป้าหมายภายในอาร์เรย์ที่เรียงลำดับ

มาเขียนโค้ดกับ Python, Mojo, Swift, V, Julia, Nim, Zig กันดีกว่า

หมายเหตุ: สำหรับเวอร์ชัน Python และ Mojo ฉันคงการปรับให้เหมาะสมไว้บางส่วนและทำให้โค้ดคล้ายกันสำหรับการวัดและการเปรียบเทียบ

หลามค้นหาไบนารี

 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 ),
)

โมโจค้นหาไบนารี

 """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 (),
)

เป็นการค้นหาแบบไบนารีแรกที่เขียนในชุมชน Mojoby (@ego) และโพสต์ใน mojo-chat

ค้นหาไบนารีอย่างรวดเร็ว

 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 ) 

การค้นหาไบนารีจูเลีย

 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 

นิม ไบนารี การค้นหา

 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 )

การค้นหาซิกไบนารี

 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 การค้นหาไบนารี

 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 ))
}

โบนัส V ความกว้าง เส้นทางการค้นหาครั้งแรก

• BFS และตัวอย่าง vlang
• บีเอฟเอส ประชาสัมพันธ์เดิม

 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' ]
}

ฉวัดเฉวียน

• ปัญหาเรื่อง Buzz ของ Leetcode Fizz
• วิกิพีเดีย Fizz ฉวัดเฉวียน
• เพิ่มการเพิ่มประสิทธิภาพตามคำชี้แจงปัญหาของ Wikipedia

Python Fizz ฉวัดเฉวียน

 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 ฉวัดเฉวียน

( 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 

MojoFizz ฉวัดเฉวียน

 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 

นี่เป็น Fizz buzz แรกที่เขียนด้วยภาษา Mojo โดยชุมชน (@Ego)

ผสานการเรียงลำดับ

เราจะใช้อัลกอริทึมจากการอ้างอิงที่รู้จักสำหรับหนังสืออัลกอริทึม Introduction to Algorithms A3

ชื่อเสียงของมันนำไปสู่การใช้คำย่อทั่วไป " CLRS " (Cormen, Leiserson, Rivest, Stein) หรือในฉบับพิมพ์ครั้งแรก " CLR " (Cormen, Leiserson, Rivest)

บทที่ 2 "2.3.1 แนวทางแบ่งแยกและพิชิต"

การเรียงลำดับ Python Merge

 % % 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 

การจัดเรียงโมโจผสาน

 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

คุณสามารถใช้มันได้เช่น:

 # Usage: merge_sort

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

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

Builtin from Sort import sort Quicksort เร็วกว่าการใช้งานของเราเล็กน้อย แต่เราสามารถปรับให้เหมาะสมได้ในภาษาเชิงลึกและตามปกติด้วยอัลกอริธึม =) และกระบวนทัศน์การเขียนโปรแกรม

• อัลกอริทึมแบบมัลติเธรด การเรียงลำดับการรวมแบบมัลติเธรดที่หน้า 797, 803 ของหนังสือ CLRS ด้านบน
• อัลกอริทึมของชาวฮังกาเรียนสามคน
• ใช้การเรียงลำดับการแทรกสำหรับอาร์เรย์ย่อยขนาดเล็ก การเรียงลำดับแบบผสานแบบไฮบริด
• ผสานไปในทิศทางที่แตกต่าง
• ใช้วิธีการปรับตัว
• ดำเนินการผสานแบบแทนที่
• เพิ่มประสิทธิภาพการเข้าถึงหน่วยความจำ
• ฟังก์ชั่น Mojo Stdlib
• การเรียงลำดับการผสานแบบเรียงต่อกัน เหมือนในการปูกระเบื้อง Matmul
• การเรียงลำดับการรวมหลายทางแบบขนาน

สรุปสำหรับอัลกอริธึมการเรียงลำดับผสานการเรียงลำดับและการเรียงลำดับอย่างรวดเร็ว

หรั่ง	วินาที
Python merge_sort	0.019136679
การเรียงลำดับ Python ในตัว	0.000199228
โมโจ merge_sort	0.000011346
Mojo ในตัวเรียงลำดับ	0.000002988

เรามาสร้างพล็อตสำหรับตารางนี้กันดีกว่า

 #%%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 ()

บันทึกย่อ ยิ่งมากก็ยิ่งดีและเร็วขึ้น

คู่มือการเขียนโปรแกรม

การกำหนดพารามิเตอร์ []: การเขียนโปรแกรมเมตาเวลาคอมไพล์

ฉันขอแนะนำอย่างยิ่งให้เริ่มจากที่นี่ HelloMojo และทำความเข้าใจการกำหนด พารามิเตอร์ [พารามิเตอร์] และ [นิพจน์พารามิเตอร์] ที่นี่ เช่นเดียวกับในตัวอย่างนี้:

 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 ()

เวลาในการคอมไพล์ [พารามิเตอร์]: fn concat[len1: Int, len2: Int]

เวลารัน (Args) : fn concat(lhs: MySIMD, rhs: MySIMD)

พารามิเตอร์ไวยากรณ์ PEP695 ในวงเล็บเหลี่ยม []

ตอนนี้ใน Python:

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

ตอนนี้อยู่ในโมโจ:

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

[Parameters] ได้รับการตั้งชื่อและมีประเภท เหมือนกับค่าปกติ ในโปรแกรม Mojo แต่ parameters[] จะได้รับการประเมิน ณ เวลาคอมไพล์

โปรแกรมรันไทม์อาจใช้ค่าของ [พารามิเตอร์] - เนื่องจากพารามิเตอร์ได้รับการแก้ไข ณ เวลาคอมไพล์ก่อนที่โปรแกรมรันไทม์จำเป็นต้องใช้ - แต่นิพจน์พารามิเตอร์เวลาคอมไพล์อาจไม่ใช้ค่ารันไทม์

แบบ Self จาก PEP673

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

ในเอกสาร คุณสามารถค้นหาคำว่า Fields ซึ่งเป็นที่รู้จักกันในชื่อ class Attributes ใน Python

ดังนั้นคุณเรียกพวกมันด้วย dot

 from DType import DType
let bool_type = DType . bool 

โมเดลชนิดข้อมูลและนามแฝง

• บล็อกสร้างฐานคือ DType การเปรียบเทียบบางประการ:
  • NumPy ประเภท
  • แจ็ค ดีไทป์
  • เทนเซอร์โฟลว์ ดีไทป์

 from DType import DType
DType . si8

• จากนั้นคุณสามารถห่อด้วย SIMD struct หรือที่รู้จักในชื่อคอนเทนเนอร์
• SIMD คำสั่งเดียว, หลายข้อมูล และ SIMD ที่วิกิพีเดีย

 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

• จากนั้นลำดับของประเภทเหล่านี้คุณสามารถห่อด้วยคอนเทนเนอร์ DynamicVector หรือที่คล้ายกัน

 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

ดังนั้น String จึงเป็นเพียงนามแฝงสำหรับบางอย่างเช่น DynamicVector[SIMD[DType.si8, 1]]

VariadicList สำหรับการทำลายล้าง/คลายแพ็ก/เข้าถึงอาร์กิวเมนต์

 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 )

มันมีประโยชน์มากสำหรับการสร้างคอลเลกชันเริ่มต้น เราสามารถเขียนได้ดังนี้:

 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 ])

อ่านเพิ่มเติมเกี่ยวกับฟังก์ชัน def และ fn

สตริง

 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 )

สตริงและชิ้นในตัว

สำหรับสตริง คุณสามารถใช้ Builtin Slice พร้อมจัดรูปแบบ 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 ])

มีปัญหาบางอย่างกับ Unicode เมื่อทำการแบ่งส่วน:

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

นี่คือคำอธิบายและการอภิปรายบางส่วน

mbstowcs - แปลงสตริงหลายไบต์เป็นสตริงอักขระแบบกว้าง

โมโจมัณฑนากร

@ค่า

มัณฑนากร struct หรือที่รู้จักในชื่อ Python @dataclass มันจะสร้างวิธีการ __init__ , __copyinit__ , __moveinit__ ให้คุณโดยอัตโนมัติ

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

โปรดทราบว่าเครื่องมือตกแต่ง @value ใช้งานได้เฉพาะกับประเภทที่สมาชิก copyable และ/หรือ movable ได้

@value("เล็กน้อย")

@register_passable("เรื่องไม่สำคัญ")

ประเภทจิ๊บจ๊อย มัณฑนากรคนนี้บอก Mojo ว่าประเภทนั้นควรคัดลอกได้ __copyinit__ และ __moveinit__ แบบเคลื่อนย้ายได้ นอกจากนี้ยังบอกให้ Mojo ต้องการส่งค่าในการลงทะเบียน CPU อนุญาตให้ structs เลือกรับการส่งผ่านใน register แทนการส่งผ่าน memory

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

@always_inline

มัณฑนากรที่ให้ การควบคุม การปรับแต่งคอมไพเลอร์ อย่างเต็มที่ สั่งให้คอมไพเลอร์อิน ไลน์ ฟังก์ชันนี้เสมอเมื่อมีการเรียกใช้

 @ 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

@พารามิเตอร์

สามารถวางไว้บนฟังก์ชันที่ซ้อนกันซึ่งจับค่ารันไทม์เพื่อสร้างการปิดการจับแบบ "พาราเมตริก" ช่วยให้การปิดที่บันทึกค่ารันไทม์สามารถส่งผ่านเป็นค่าพารามิเตอร์ได้

การรวมกันของการตกแต่ง

 @ always_inline
@ parameter
fn test (): return 

กำลังหล่อ

ตัวอย่างการหล่อบางส่วน

 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, Allocation, ฟรี

DTypePointer ฮีปและสแต็ค

DTypePointer - จัดเก็บที่อยู่ด้วย DType ที่กำหนด ช่วยให้คุณสามารถจัดสรร โหลด และแก้ไขข้อมูลด้วยการเข้าถึงการทำงานของ SIMD ได้อย่างสะดวก

 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 ()

โครงสร้างสามารถลดอันตรายที่อาจเกิดขึ้นจากพอยน์เตอร์ได้โดยการจำกัดการสำรวจ

บทความดีๆ ในบล็อก Mojo Dojo เกี่ยวกับ DTypePointer ที่นี่

รวมถึงตัวอย่างของเขา Matrix Struct และ DTypePointer

ตัวชี้

ตัวชี้จัดเก็บที่อยู่ให้กับ register_passable type ใด ๆ และจัดสรรจำนวน n จำนวนให้กับ 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 ()

บทความเต็มเกี่ยวกับพอยน์เตอร์

พร้อมตัวอย่างพอยน์เตอร์และโครงสร้าง

โมดูล Mojofeatures ขั้นสูงและ Intrinsics

Modular Intrinsics เป็น แบ็กเอนด์การดำเนินการ บางประเภท:

• คุณสมบัติ คอมไพเลอร์ Mojo
• LLVM ที่แท้จริง อาจเป็นอันนี้
• การโทรภายนอก เช่น libc
• MLIR การแสดงระดับกลางหลายระดับ

Mojo-> MLIR Dialects -> แบ็กเอนด์ดำเนินการด้วยโค้ดเพิ่มประสิทธิภาพและสถาปัตยกรรม

MLIR เป็นแม่มดโครงสร้างพื้นฐานคอมไพเลอร์ที่ใช้การแปลงและการเพิ่มประสิทธิภาพที่หลากหลายสำหรับ ภาษาการเขียนโปรแกรม และ สถาปัตยกรรม ที่แตกต่างกัน

ซิสคอลส์

MLIR เองไม่ได้จัดเตรียมฟังก์ชันการทำงานสำหรับการโต้ตอบกับระบบปฏิบัติการ syscalls โดยตรง

ซึ่งเป็นอินเทอร์เฟซระดับต่ำสำหรับบริการระบบปฏิบัติการ โดยทั่วไปจะได้รับการจัดการที่ระดับภาษาโปรแกรมเป้าหมายหรือระบบปฏิบัติการเอง MLIR ได้รับการออกแบบมาให้ไม่เชื่อเรื่องภาษาและเป้าหมาย และจุดสนใจหลักคือการให้การนำเสนอระดับกลางสำหรับการดำเนินการปรับให้เหมาะสม ในการดำเนินการ syscalls ของระบบปฏิบัติการใน MLIR เราจำเป็นต้องใช้ แบ็กเอนด์ เฉพาะเป้าหมาย

แต่ด้วย execution backends เหล่านี้ โดยพื้นฐานแล้ว เราสามารถเข้าถึง OS syscalls ได้ และเรามีโลกทั้งใบของ C/LLVM/Python อยู่ใต้ฝากระโปรง

มาดูในทางปฏิบัติกันอย่างรวดเร็ว:

 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 )

ในตัวอย่างง่ายๆ นี้ เราใช้ external_call เพื่อรับตัวแปรสภาพแวดล้อม OS ที่มีประเภทการแคสต์ระหว่างฟังก์ชัน Mojo และ libc เจ๋งมาก ใช่แล้ว!

ฉันมีแนวคิดมากมายจากหัวข้อนี้ และฉันกำลังรอคอยโอกาสที่จะนำไปปฏิบัติเร็วๆ นี้ การดำเนินการสามารถนำไปสู่ผลลัพธ์ที่น่าอัศจรรย์ =)

MLIR libc รับชื่อโฮสต์

มาทำสิ่งที่น่าสนใจกันดีกว่า - เรียกใช้ libc function gethostname

ฟังก์ชั่นมีอินเทอร์เฟซนี้ int gethostname (char *name, size_t size)

เพื่อที่เราสามารถใช้ฟังก์ชันตัวช่วย external_call จากโมดูล Intrinsics หรือเขียน MLIR ของตัวเองได้

ไปกันเถอะรหัส:

 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 ]

เซิร์ฟเวอร์ซ็อกเก็ต MojoTCP พร้อม PythonInterface

มาทำบางอย่างกับเว็บกับ Mojo กันดีกว่า เราไม่มีอินเทอร์เน็ตที่ Playground.modular.com แต่เราสามารถขโมยสิ่งที่น่าสนใจ เช่น TCP ในเครื่องเดียวได้

มาเขียนโค้ดไคลเอ็นต์-เซิร์ฟเวอร์ TCP แรกใน Mojo ด้วย PythonInterface

• เซิร์ฟเวอร์ซ็อกเก็ต TCP Mojo
• เซิร์ฟเวอร์ไคลเอ็นต์ Mojo TCP

คุณควรสร้างสมุดบันทึกสองเครื่องแยกกัน และเรียกใช้ TCPSocketServer ก่อน จากนั้นจึงเรียก ใช้ TCPSocketClient

รหัสนี้ เวอร์ชัน Python เกือบจะเหมือนกัน ยกเว้น:

• with ไวยากรณ์
• let มอบหมาย
• และทำลายโครงสร้างแบบ a, b = (1, 2)

• Pytohn ซ็อกเก็ตอินเทอร์เฟซเครือข่ายระดับต่ำ
• กรอบงาน Pytohn socketserver สำหรับเซิร์ฟเวอร์เครือข่าย

MojoFastAPI พร้อมอินเทอร์เฟซ Python

หลังจาก TCP Server ใน Mojo เราจะก้าวไปข้างหน้า =)

มันบ้ามาก แต่มาลองใช้เว็บเซิร์ฟเวอร์ Python สมัยใหม่ FastAPI กับ Mojo กันดีกว่า!

การตระเตรียม

เราจำเป็นต้องอัปโหลดโค้ด FastAPI ไปยัง Playground ดังนั้นบนเครื่องท้องถิ่นของคุณทำ

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

และอัปโหลด web.tar.gz ไปยัง Playground ผ่านทางเว็บอินเตอร์เฟส

จากนั้นเราจำเป็นต้อง install มัน เพียงใส่ไว้ในโฟลเดอร์ที่เหมาะสม:

 % % 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" )

เซิร์ฟเวอร์ 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" )

ไคลเอ็นต์ 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 ())

ตามปกติ คุณควรสร้างสมุดบันทึกสองเล่มแยกกัน และเรียกใช้ FastAPI ก่อนแล้วจึงเรียก ใช้ FastAPIClient

• เซิร์ฟเวอร์ MojoFastAPI
• เซิร์ฟเวอร์ MojoFastAPI Jupyter Notebook
• ไคลเอ็นต์ MojoFastAPI
• สมุดบันทึกไคลเอนต์ MojoFastAPI Jupyter

มีคำถามปลายเปิดมากมาย แต่โดยพื้นฐานแล้ว เราบรรลุเป้าหมายแล้ว

โมโจ ทำได้ดีมาก!

คำถามปลายเปิด:

• ขาดน้ำตาลไวยากรณ์ของ Python
• ไม่มีประเภท Mojo ที่ถูกแปลงเป็นวัตถุ Python โดยปริยาย
• จะส่งฟังก์ชัน Mojo ไปยังช่องว่าง/ฟังก์ชันของ Python ได้อย่างไร

 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

อนาคตดูสดใสมาก!

ลิงค์:

• ประเภท Mojo ใน Python
• Mandelbrot ใน Mojo พร้อมแปลง Python

การใช้รหัส

การถ่ายโอนรังสี

Benchmark Mojo vs Numba โดย นิค โวแกน

ทันทีและ DateTimeLocal

เวลาที่ใช้โดย Samay Kapadia @Zalando

ความคิด

กำลังเชื่อมต่อกับสนามเด็กเล่นโมโจของคุณจาก VSCode หรือ DataSpell

Python Interface และการอ่านไฟล์

โดย แม็กซิม แซคส์

 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 ()

การใช้งาน libc

ข้อมูลตัวชี้

 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 )

รหัสแชร์จาก Mojo Playground

1. จาก Mojo Playground right click ไฟล์ใน explorer แล้วกด Open With > Editor
2. คลิกขวาในตัวแก้ไข select all แล้ว copy
3. สร้างส่วนสำคัญของ GitHub ใหม่หรือใส่ไฟล์สมุดบันทึก Jupyter ลงในที่เก็บ GitHub ของคุณ
4. วางเนื้อหาและตั้งชื่อไฟล์ด้วยนามสกุล Jupyter เช่น test .ipynb
5. วางลิงก์ไปยังส่วนสำคัญในการแชท Discord

Github เรนเดอร์อย่างถูกต้อง และหากใครต้องการลองใช้โค้ดใน Playground ก็สามารถคัดลอกและวางโค้ดดิบได้

เซนแห่งโมโจ

• คู่มือสไตล์สำหรับรหัส Mojo เซนแห่งโมโจ #141

พื้นที่สำหรับการปรับปรุง

มันเป็นความเห็นส่วนตัวของฉัน ดังนั้นอย่าตัดสินฉันรุนแรงเกินไป

ฉันไม่สามารถพูดได้ว่า Mojo เป็นภาษาการเขียนโปรแกรมที่ง่ายสำหรับการเรียนรู้ อย่างเช่น Python เป็นตัวอย่าง

ต้องใช้ความเข้าใจ ความอดทน และประสบการณ์อย่างมากในภาษาการเขียนโปรแกรมอื่นๆ

หากคุณต้องการสร้างสิ่งที่ไม่ใช่เรื่องจิ๊บจ๊อย มันจะยากแต่ก็ตลก!

เป็นเวลา 2 สัปดาห์ แล้วตั้งแต่ฉันเริ่มต้น การเดินทาง ครั้งนี้ และฉันตื่นเต้นที่จะเล่าว่าตอนนี้ฉัน คุ้นเคยกับโมโจเป็นอย่างดีแล้ว

ความซับซ้อนของ โครงสร้างและไวยากรณ์ ของมันเริ่ม คลี่คลายต่อหน้าต่อตาฉัน และฉันก็เต็มไปด้วย ความเข้าใจ ที่เพิ่งค้นพบ

ฉันภูมิใจที่จะบอกว่าตอนนี้ฉันสามารถ สร้างโค้ด ในภาษานี้ได้อย่างมั่นใจ ทำให้ฉันสามารถนำ แนวคิด ที่หลากหลาย มาสู่ชีวิตได้

สิ่งสำคัญที่ต้องปรับปรุง:

1. เอกสาร ที่อ่อนแอและไม่ชัดเจน
2. ขาด ตัวอย่างโค้ด ตัวอย่างที่ดีคือเว็บไซต์ clojuredocs
3. คำอธิบาย เพิ่มเติมเกี่ยวกับ กระบวนทัศน์ ทางภาษา
4. ขาด การเปรียบเทียบ กับประเภทข้อมูล/ฟังก์ชัน/คลาส/นิพจน์ของ Python
5. แม้ว่า Mojo จะเป็น superset ของ Python แต่ เกณฑ์ การป้อนภาษานั้น ไม่ง่ายนัก
6. ดิบไปหน่อย ต้องใช้เวลาสักพักเพื่อ รักษาเสถียรภาพ ของภาษา รุ่นการผลิต 1.0.
7. ข้อบกพร่อง เช่นเดียวกับในอันใดอันหนึ่ง
8. ห้องสมุดมาตรฐาน ขนาดเล็ก
9. สภาพแวดล้อมโครงการ Jupyter และโน้ตบุ๊ก ฉันเข้าใจว่าปลั๊กอิน Jupyter และเคอร์เนลแบบกำหนดเองเป็นวิธีแก้ปัญหาที่ดี แต่มันทำให้การพัฒนาช้ามาก
10. ยังไม่ เป็นโอเพ่นซอร์ส ชุมชนกำลังรอให้คอมไพเลอร์โอเพ่นซอร์สและ REPL เริ่มพัฒนาและผลิตไลบรารีและแอปพลิเคชัน ฉันคิดว่าชุมชนจะเขียนคอมไพเลอร์ (บูตสแตรปปิ้ง) ใหม่จาก C++ เป็น Mojo ได้อย่างง่ายดาย

ดีและดีสำหรับชัยชนะ

1. ทีมโมดูลาร์ ตอบสนองต่อคำขอ/คำถาม/จดหมาย/แนวคิดได้อย่างง่ายดาย
2. ชุมชน ที่เป็นมิตร และชาญฉลาดมาก
3. ภาษาโปรแกรม สำหรับการแก้ปัญหา ด้วยแนวคิดที่จะไม่สร้างไวยากรณ์ใหม่ แต่จัดการกับความท้าทายของคำศัพท์จริง
4. ฉันไม่รู้เกี่ยวกับคุณ แต่ฉันกำลังรอและค้นคว้าหาโมโจมาเป็นเวลานาน ฉันได้ลองใช้ภาษาการเขียนโปรแกรมมาแล้วกว่าร้อยภาษา โลกพร้อมสำหรับการปฏิวัติและอนาคตของการคำนวณและ AI ฉันชอบ Mojo มาก มันทั้งตื่นเต้น ทำให้ฉันหลงใหล และหวังว่ามันคงจะเหมือนกันสำหรับคุณ
5. ฉันเชื่อว่าผู้นำที่มีชื่อเสียงระดับปริญญาเอก วิทยาการคอมพิวเตอร์ Chris Lattner สามารถสร้างสิ่งต่างๆ ระบบ ทีม และเปลี่ยนแปลงอนาคตได้

ประวัติศาสตร์และนิรุกติศาสตร์แบบแยกส่วนและโมโจ

Mojo เป็นภาษาโปรแกรมของ Modular Inc ทำไม Mojo เราพูดคุยกันที่นี่ เกี่ยวกับบริษัท เรารู้จักน้อย แต่มีชื่อที่เจ๋งมาก Modular ซึ่งสามารถอ้างอิงถึง:

• เลขคณิตแบบโมดูลาร์
• โมดูโล่
• การเขียนโปรแกรมแบบโมดูลาร์
• ความเป็นโมดูลาร์

“หรืออีกนัยหนึ่ง Mojo ไม่ใช่เวทย์มนตร์ มันเป็นโมดูลาร์”

ทุกอย่างเกี่ยวกับการประมวลผล การเขียนโปรแกรม AI/ML ชื่อโดเมนที่ดีมากที่อธิบายความหมายของบริษัทได้อย่างถูกต้อง

มีเนื้อหาเพิ่มเติมบางส่วนเกี่ยวกับเรื่องราวของแบรนด์ของ Modular และการช่วยให้ AI ของโมดูลาร์มีมนุษยธรรมผ่านแบรนด์

วัสดุเพิ่มเติม

• คริส แลตต์เนอร์
• LLVM
• มลิร์
• วงจรคอมไพเลอร์ IR และเครื่องมือ
• Cross Compile คอมไพเลอร์-rt
• อนาคตของ AI ขึ้นอยู่กับโมดูลาร์
• สถาปัตยกรรมของแอปพลิเคชันโอเพ่นซอร์ส LLVM
• ยุคทองของการออกแบบคอมไพเลอร์ในยุคของการออกแบบร่วม HW/SW โดย Dr. Chris Lattner
• LLVM ใน 100 วินาที
• โมโจ โดโจ
• สูตรโกงโมโจ
• การนับตัวอักษรด้วย SIMD ใน Mojo
• ประวัติความเป็นมาของภาษาโปรแกรม

MLIR และการใช้งานระดับต่ำ

• ด็อกซีเจน มิลลิลิตร
• IndexOps
• LLVM libc
• GNU libc
• ดัชนี GNU libc

หลาม / C++

• นัมปี้
• Numba อิงจาก (LLVM)
• ปิ๊ปปี้
• Google JAX อิงตาม (XLA)
  • ออโต้กราด
  • เอ็กซ์แอลเอ
• เรย์
• ไทจิ หลาง
  • Taichi เทียบกับ Cub Cupy Numba
• โคดอน
  • เกณฑ์มาตรฐานโคดอน
• คิวพี
• ไซทอน
• ไพธรัน
• มายพิค
• นุ้ยก้า
• ดีพสปีด
• เกณฑ์มาตรฐานสำหรับประสิทธิภาพของ CPU และ GPU libs Python ประสิทธิภาพสูง
• เมตาโฟลว์
• เร่งการทดลองด้วย mlops
• nebuly-ai
• คอมไพเลอร์ Numba สำหรับ Python bytecode, Numba IR เป็น LLVM IR, คอมไพล์ LLVM IR เป็นรหัสเครื่อง

AI

• คอมพิวเตอร์เร่งความเร็ว
• มาตรฐานเปิด ONNX สำหรับการเรียนรู้ของเครื่อง
• ONNX Runtime: การอนุมาน ML ประสิทธิภาพสูงข้ามแพลตฟอร์มและตัวเร่งการฝึกอบรม
• CUDA
• โอเพ่นซีแอล
• SYCL
• Google สมอง TensorFlow
• ไพทอร์ช
• TensorRT
• ภาษา OpenaAI Triton และคอมไพเลอร์
• ทำด้วยเอ็มแอล
• เวอร์เท็กซ์ เอไอ
• กูเกิลทีพียู
• นักปราชญ์
• MLIR: เร่ง AI ด้วยโครงสร้างพื้นฐานโอเพ่นซอร์ส
• อาปาเช่ TVM

คำแนะนำหลาม

วันนี้ผมอยากจะเล่าเรื่องเกี่ยวกับปัญหา Python Enum ครับ ในฐานะวิศวกรซอฟต์แวร์ เรามักจะพบสิ่งนี้ในเว็บ สมมติว่าเรามี DataBase Schema (PostgreSQL) พร้อมสถานะ enum :

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

ในโค้ด Python เราต้องการชื่อและค่าเป็นสตริง (สมมติว่าเราใช้ GraphQL กับ ENUM บางประเภทสำหรับส่วนหน้าของเรา) และเราจำเป็นต้องรักษาลำดับไว้และมีความสามารถในการเปรียบเทียบแจงนับเหล่านี้:

order2.status > order1.status > 'FIRST'

ดังนั้นจึงเป็นปัญหาสำหรับภาษาทั่วไปส่วนใหญ่ =) แต่เราสามารถใช้ฟีเจอร์ Python little-known และแทนที่วิธีการคลาส enum: __new__

• แต่ทำไม?
• อืม .. เพื่อเชื่อมโยงค่าแจงนับแต่ละค่าด้วย INDEX! MALE -> 1 , FEMALE -> 2 เหมือน PostgreSQL ทำ
• และอย่างไร?
• เพียงนับสมาชิกด้วยฟังก์ชัน 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

จุดสิ้นสุดของเรื่องราว และใช้ ข้อมูลเชิงลึก Python ENUM นี้เพื่อการเขียนโค้ดที่ดีของคุณ!

มีส่วนร่วม

• การมีส่วนร่วมของคุณยินดีต้อนรับเสมอ!
• หากคุณมี คำถาม ใด ๆ อย่าลังเลที่จะติดต่อฉัน
• หากคุณต้องการมีส่วนร่วมในชุมชน MojoDriven โปรดติดต่อฉัน
• ความช่วยเหลือของคุณสนับสนุนพื้นที่เก็บข้อมูลนี้