DeepMind ओपन सोर्स S6, CPython साठी JIT कंपाइलर अंमलबजावणीसह लायब्ररी

कृत्रिम बुद्धिमत्तेतील कामासाठी प्रसिद्ध असलेली कंपनी डीपमाइंडने S6 प्रोजेक्ट ओपन-सोर्स केला आहे, ज्याने पायथॉनसाठी JIT कंपायलर विकसित केला आहे. हा प्रोजेक्ट त्याच्या डिझाइनसाठी उल्लेखनीय आहे जो मूळ CPython शी एकत्रित होतो, CPython शी पूर्ण सुसंगतता सुनिश्चित करतो आणि इंटरप्रिटर कोडमध्ये कोणतेही बदल करण्याची आवश्यकता नाही. हा प्रोजेक्ट २०१९ पासून विकसित होत होता, परंतु दुर्दैवाने, तो बंद करण्यात आला आणि आता विकसित केला जात नाही. तयार केलेले काम पायथॉन सुधारण्यासाठी उपयुक्त ठरू शकत असल्याने, तो ओपन-सोर्स करण्याचा निर्णय घेण्यात आला. JIT कंपायलर कोड CPython 3.7 वर आधारित C++ मध्ये लिहिलेला आहे आणि Apache 2.0 परवान्याअंतर्गत परवानाकृत आहे.

ते सोडवणाऱ्या कामांच्या बाबतीत, पायथॉनसाठी S6 ची तुलना JavaScript साठी V8 इंजिनशी केली जाते. लायब्ररी विद्यमान ceval.c बायकोड इंटरप्रिटर हँडलरला त्याच्या स्वतःच्या अंमलबजावणीने बदलते, जे अंमलबजावणीला गती देण्यासाठी जस्ट-इन-टाइम (JIT) संकलन वापरते. S6 वर्तमान फंक्शन आधीच संकलित केले गेले आहे की नाही हे तपासते आणि जर तसे असेल तर, संकलित कोड कार्यान्वित करते. जर नसेल तर, ते CPython इंटरप्रिटर प्रमाणेच बायकोड इंटरप्रिटेशन मोडमध्ये फंक्शन चालवते. व्याख्या दरम्यान, प्रक्रिया केल्या जाणाऱ्या फंक्शनशी संबंधित एक्झिक्युटेड सूचना आणि कॉलची संख्या मोजली जाते. एका विशिष्ट थ्रेशोल्डवर पोहोचल्यानंतर, वारंवार अंमलात आणल्या जाणाऱ्या कोडला गती देण्यासाठी संकलन प्रक्रिया सुरू केली जाते. संकलन स्ट्रॉंगजिट इंटरमीडिएट प्रतिनिधित्वात होते, जे ऑप्टिमायझेशननंतर, asmjit लायब्ररी वापरून लक्ष्य प्रणालीसाठी मूळ मशीन सूचनांमध्ये रूपांतरित केले जाते.

वर्कलोडवर अवलंबून, इष्टतम परिस्थितीत, S6 मानक CPython पेक्षा 9.5x पर्यंत वेगवान बेंचमार्क अंमलबजावणी दर्शविते. रिचर्ड्स बेंचमार्क सूटच्या 100 पुनरावृत्ती चालवल्याने 7x वेग वाढतो, तर रेट्रेस बेंचमार्क चालवल्याने, ज्यामध्ये विस्तृत गणितीय गणना समाविष्ट आहे, 3-4.5x वेग वाढतो.

S6 सह ऑप्टिमाइझ करणे कठीण असलेल्या कामांमध्ये C API वापरणारे प्रकल्प, जसे की NumPy, आणि मोठ्या संख्येने मूल्यांची टाइप तपासणी आवश्यक असलेल्या ऑपरेशन्सचा समावेश आहे. S6 मध्ये प्रोप्रायटरी, अनऑप्टिमाइझ्ड पायथॉन इंटरप्रिटर वापरल्यामुळे (डेव्हलपमेंट अद्याप इंटरप्रिटेड मोड ऑप्टिमाइझ करण्याच्या टप्प्यावर पोहोचलेला नाही) संसाधन-केंद्रित फंक्शन्सच्या सिंगल कॉलसाठी कमी कामगिरी देखील दिसून येते. उदाहरणार्थ, अनपॅक सिक्वेन्स चाचणीमध्ये, जी अॅरे/टपल्सचे मोठे संच अनपॅक करते, एक कॉल 5 पट पर्यंत मंदावतो, तर चक्रीय कॉलमुळे कामगिरी CPython पेक्षा 0.97 पट कमी होते.

स्त्रोत: opennet.ru