DeepMind ओपन सोर्स S6, CPython साठी JIT कंपाइलर अंमलबजावणीसह लायब्ररी

कृत्रिम बुद्धिमत्तेच्या क्षेत्रातील प्रगतीसाठी ओळखल्या जाणाऱ्या DeepMind ने S6 प्रकल्पाचा सोर्स कोड उघडला आहे, ज्याने Python भाषेसाठी JIT कंपाइलर विकसित केले आहे. प्रकल्प मनोरंजक आहे कारण ते एक विस्तार लायब्ररी म्हणून डिझाइन केले आहे जे मानक CPython सह एकत्रित होते, CPython सह पूर्ण सुसंगतता सुनिश्चित करते आणि इंटरप्रिटर कोडमध्ये बदल करण्याची आवश्यकता नसते. हा प्रकल्प 2019 पासून विकसित होत आहे, परंतु दुर्दैवाने तो बंद करण्यात आला आणि आता विकसित होत नाही. तयार केलेल्या घडामोडी Python सुधारण्यासाठी उपयुक्त ठरू शकत असल्याने, कोड ओपन सोर्स करण्याचा निर्णय घेण्यात आला. JIT कंपाइलर कोड C++ मध्ये लिहिलेला आहे आणि तो CPython 3.7 वर आधारित आहे. आणि Apache 2.0 लायसन्स अंतर्गत ओपन सोर्स आहे.

ते सोडवू शकणार्‍या कार्यांच्या बाबतीत, Python साठी S6 ची तुलना JavaScript साठी V8 इंजिनशी करते. लायब्ररी विद्यमान बायटेकोड इंटरप्रिटर हँडलर ceval.c ला त्याच्या स्वतःच्या अंमलबजावणीसह बदलते जे अंमलबजावणीला गती देण्यासाठी JIT संकलन वापरते. S6 वर्तमान फंक्शन आधीच संकलित केले आहे की नाही हे तपासते आणि तसे असल्यास, संकलित कोड कार्यान्वित करते, आणि नसल्यास, CPython इंटरप्रिटर प्रमाणेच, bytecode इंटरप्रिटेशन मोडमध्ये फंक्शन चालवते. इंटरप्रिटेशन दरम्यान, कार्यान्वित केलेल्या फंक्शनशी संबंधित कार्यान्वित सूचना आणि कॉलची संख्या मोजली जाते. ठराविक मैलाचा दगड गाठल्यानंतर, वारंवार अंमलात आणलेल्या कोडची गती वाढवण्यासाठी संकलन प्रक्रिया सुरू केली जाते. संकलन हे इंटरमीडिएट स्ट्राँगजिट प्रस्तुतीकरणात केले जाते, जे ऑप्टिमायझेशन नंतर, asmjit लायब्ररी वापरून लक्ष्य प्रणालीच्या मशीन सूचनांमध्ये रूपांतरित केले जाते.

वर्कलोडच्या स्वरूपावर अवलंबून, इष्टतम परिस्थितीत S6 नियमित CPython च्या तुलनेत चाचणी अंमलबजावणी गती 9.5 पट वाढ दर्शवते. रिचर्ड्स टेस्ट सूटची 100 पुनरावृत्ती चालवताना, 7x स्पीडअप पाहिला जातो आणि रेट्रेस चाचणी चालवताना, ज्यामध्ये मोठ्या प्रमाणात गणिती गणना समाविष्ट असते, 3-4.5x स्पीडअप दिसून येतो.

S6 वापरून ऑप्टिमाइझ करणे कठीण असलेल्या कार्यांमध्ये C API वापरणारे प्रकल्प आहेत, जसे की NumPy, तसेच मोठ्या प्रमाणातील मूल्यांचे प्रकार तपासण्याच्या आवश्यकतेशी संबंधित ऑपरेशन्स. S6 च्या स्वतःच्या Python इंटरप्रिटरच्या अॉप्टिमाइज्ड अंमलबजावणीच्या वापरामुळे संसाधन-केंद्रित फंक्शन्सच्या सिंगल कॉलसाठी देखील कमी कार्यक्षमता दिसून येते (विकास इंटरप्रिटेशन मोड ऑप्टिमाइझ करण्याच्या टप्प्यावर पोहोचलेला नाही). उदाहरणार्थ, अनपॅक सीक्वेन्स चाचणीमध्ये, जे अॅरे/ट्युपल्सचे मोठे संच अनपॅक करते, एका कॉलसह 5 वेळा मंदगती असते आणि चक्रीय कॉलसह कामगिरी CPython कडून 0.97 असते.

स्त्रोत: opennet.ru