1、PerfXLab 澎峰科技 1 A Technical overview of PerfXPy（Python high-performance IDE）文档版本：V1.0 发布日期：2023/3/1 PerfXPy What is this？PerfXLab 澎峰科技 2 目 录 介绍.3 什么是 PerfXPy.3 法律信息.4 PerfXPy 版本说明.5 PerfXPy 界面和功能.6 PerfXPy 性能测试.8 PerfXPy 生态.9 PerfXLab 澎峰科技 3 介绍介绍 PythonPython由荷兰数学和计算机科学研究学会的吉多吉多范罗苏姆范罗苏姆于 1990 年代初设计，

2、作为一门叫做ABCABC 语言语言的替代品。Python 提供了高效的高级数据结构，还能简单有效地面向对象编程。Python 语法和动态类型，以及解释型语言解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。由于 Python 语言的简洁性、易读性以及可扩展性，被广泛用于做科学计算科学计算的研究机构，国内外大学计算机和非计算机专业使用 Python 来教授程序设计课程。随着人工智能时代的到来，Python 由于其开源、丰富的工具库和国际大企业的推动，在人工智能领域人工智能领域也有着日益广泛的应用。一方面，P

3、ython 体系虽然有 PyCharm、Anaconda、PyDev、Wing、VSCode、Jupyter、Atom 许多国外优秀的 IDE 工具。但，对新一代计算机体系结构的支持进展缓慢（例如 ARM 生态、RISC-V 生态），缺乏对 CPU+GPU、CPU+NPU 等异构计算体系的支持，尤其是缺乏对中国计算芯片平台的支持。PerfXPyPerfXPy旨在面向新一代计算机体系结构提供更为完善的 Python 集成开发环境，重点关注计算效率的提升和计算性能的发挥。促进 Python 语言在科学计算领域替代 MATLAB；推动 Python 语言在人工智能领域充分发挥异构计算性能；为学生提供

4、一个免费且优秀的学习编程环境。本文件旨在对澎峰科技研发的 PerfXPy进行介绍性技术概述。什么是什么是 PerfXPyPerfXPy PerfXPyPerfXPy是一个面向新一代计算机体系结构研发的 Python 语言编程集成开发环境。主要有三个特点：1.运行效率接近运行效率接近 C/C+C/C+语言。语言。核心数学计算库采用澎峰科技自主研发的PerfMPL，PerfMPL 为 x86、ARM、RISC-V 各类指令集 CPU 提供了高性能的、全面的数学计算能力（参照 intel MKL），支持 GPU、NPU 等加速卡的算子库扩展。具体请参考PerfMPL技术白皮书（下载链接:https:

5、/ 澎峰科技 4 2.支持高性能异构计算。支持高性能异构计算。PerfXPy 集成了澎峰科技自主研发的 PerfXAPI，能快速支持各类异构计算硬件，例如 ARM CPU+xPU，RISC-V CPU+xPU（xPU 指 GPU、NPU 等 DSA）。3.完善的完善的 PythonPython 开发环境。开发环境。PerfXPy 拥有完善的集成开发环境（IDE，Integrated Development Environment），包括代码编辑、编译器，调试器和图形化用户界面工具），全面支持用户从学习 Python 编程、算法设计到进行大型项目开发的全流程。法律信息法律信息 版权所有 澎峰（北

6、京）科技有限公司 2022 年。保留一切权利。非经本公司书面许可，任何单位和个人不得擅自摘抄、复制本文档内容的部分或全部，并不得以任何形式传播。商标声明 PerfXPy为澎峰（北京）科技有限公司公司的商标。本文档所提及的其他所有商标或注册商标，由各自的所有人拥有。澎峰科技 地址：北京市海淀区紫雀路 55 号院 9 号楼翠湖科创平台 304 室 邮箱： 中文网址：， PerfXLab 澎峰科技 5 PerfXPyPerfXPy 版本与下载版本与下载 PerfXPy 共有三个版本：1.单机版，社区爱好者免费。单机版，社区爱好者免费。可运行在个人电脑、笔记本、部分开发板硬件平台，支持 Windows

7、、Linux、OSX 等操作系统。2.S SaaSaaS 版本，商业用户收费。版本，商业用户收费。可运行在计算型服务器平台，支持多用户远程登陆。3.集群版本，商业用户收费。集群版本，商业用户收费。可运行在高性能计算集群，支持多用户登陆，丰富的管理工具。安装包下载：https:/ 演示视频：https:/ PerfXLab 澎峰科技 6 PerfXPyPerfXPy 界面和功能界面和功能 1.启动界面 2.运行与调试 PerfXPy 平台支持代码的调试功能，用户可通过设置断点，并在 RUN 功能中选择 Start Debugging。调试模式下，用户可以进行 Continue、Step Over

8、、Step Into、Stop 等常规操作，也可以通过变量追踪或是 WATCH 等功能查看特殊的变量。同时，也可选择不同的环境对代码进行快速测试。PerfXLab 澎峰科技 7 3.插件安装与功能扩展 PerfXLab 澎峰科技 8 P PerfXPyerfXPy 性能测试性能测试 注：以下数据仅代表测试进行时的性能对比数据，其测试参数也与硬件平台相关，仅供参考。l 基础测试集 1:polar_decompositon 对矩阵进行了 pola 分解 Matrix_decompostion 对矩阵进行了 LU 分解和 SVD 分解 Matrix multiplication 对高阶矩阵乘法进行优

9、化 Factor Analysis 对数据集实现因子分析 NMF 通过非负矩阵分解进行短文本主题建模 Ridge Regression 训练岭回归模型推理 Kernel PCA 使用 PCA 算法和 kernel-PCA 算法转换数据 LedotiWolf VS OAS 使用高斯分布式数据比较 LW 和 OAS 方法的 MSE 指标 PerfXLab 澎峰科技 9 l 基础测试集 2 注释：CNN 基于 CNN 的 cifar10 图像分类 DNI 基于解耦神经网络的糖尿病人分类识别 NN 基于全连接神经网络的糖尿病人分类识别 SeaNMF 基于神经网络非负矩阵分解的短文本语义识别 NN_MN

10、IST 基于神经网络的手写数字分类 P PerfXPy erfXPy 示范示范 1.科学计算实例 这是一个 Mean Shift 算法演示的实例。在这个例子中，我们使用 Mean Shift 算法对 10000 个样本点进行聚类分析，并使用 matplotlib 绘制出了聚类的图像。import numpy as np from sklearn.cluster import MeanShift,estimate_bandwidth from sklearn.datasets import make_blobs 205659.978325.433594.1213493.369790.225443

11、6.3543316.771683.8597753.9278450.400300000400000500000600000700000NN_MINISTSeaNMFNNDNICNN时间（单位：ms），数值越低性能越高FTPerfXPyPerfXLab 澎峰科技 10 生成样本数据 centers=1,1,-1,-1,1,-1 X,_=make_blobs(n_samples=10000,centers=centers,cluster_std=0.6)Mean Shift 聚类计算#The following bandwidth can be automatically de

12、tected using bandwidth=estimate_bandwidth(X,quantile=0.2,n_samples=500)ms=MeanShift(bandwidth=bandwidth,bin_seeding=True)ms.fit(X)labels=ms.labels_ cluster_centers=ms.cluster_centers_ labels_unique=np.unique(labels)n_clusters_=len(labels_unique)print(number of estimated clusters:%d%n_clusters_)聚类结果计

13、算聚类结果计算 import matplotlib.pyplot as plt plt.figure(1)plt.clf()colors=#dede00,#377eb8,#f781bf markers=x,o,for k,col in zip(range(n_clusters_),colors):my_members=labels=k cluster_center=cluster_centersk plt.plot(Xmy_members,0,Xmy_members,1,markersk,color=col)plt.plot(cluster_center0,cluster_center1,ma

14、rkersk,markerfacecolor=col,PerfXLab 澎峰科技 11 markeredgecolor=k,markersize=14,)plt.title(Estimated number of clusters:%d%n_clusters_)plt.show()这是一个多输出决策树进行回归的例子。在这个例子中，决策树用于同时预测圆的噪声 x 和 y 观测值给定单个基础特征。最后使用 matplotlib（Python的 2D 绘图库）绘制决策树局部线性近似圆的回归图像。import numpy as np import matplotlib.pyplot as plt fr

15、om sklearn.tree import DecisionTreeRegressor 数据集生成 rng=np.random.RandomState(1)X=np.sort(200*rng.rand(100,1)-100,axis=0)y=np.array(np.pi*np.sin(X).ravel(),np.pi*np.cos(X).ravel().T y:5,:+=0.5-rng.rand(20,2)模型训练模型训练 regr_1=DecisionTreeRegressor(max_depth=2)regr_2=DecisionTreeRegressor(max_depth=5)reg

16、r_3=DecisionTreeRegressor(max_depth=8)regr_1.fit(X,y)regr_2.fit(X,y)regr_3.fit(X,y)PerfXLab 澎峰科技 12 预测 X_test=np.arange(-100.0,100.0,0.01):,np.newaxis y_1=regr_1.predict(X_test)y_2=regr_2.predict(X_test)y_3=regr_3.predict(X_test)绘制结果图像绘制结果图像 plt.figure()s=25 plt.scatter(y:,0,y:,1,c=navy,s=s,edgecolo

17、r=black,label=data)plt.scatter(y_1:,0,y_1:,1,c=cornflowerblue,s=s,edgecolor=black,label=max_depth=2,)plt.scatter(y_2:,0,y_2:,1,c=red,s=s,edgecolor=black,label=max_depth=5)plt.scatter(y_3:,0,y_3:,1,c=orange,s=s,edgecolor=black,label=max_depth=8 )plt.xlim(-6,6)plt.ylim(-6,6)plt.xlabel(target 1)plt.yla

18、bel(target 2)plt.title(Multi-output Decision Tree Regression)plt.legend(loc=best)plt.show()PerfXLab 澎峰科技 13 这是一个进行协方差估计的例子。在这个例子中，使用了 Ledoit-Wolf 协方差估计法和 GraphicalLassoCV 估计法对数据机型协方差估计，并且绘制了相关结果的图像。PerfXLab 澎峰科技 14 2.AI 训练推理实例 这是一个图像分割的例子。在完成对神经网络的训练后，我们使用它对两张图片进行图形分割，左侧为原图像，右侧为图像分割后的结果。PerfXPyPerfX

19、Py 生态生态 PerfXPy 正在通过与计算芯片生态、操作系统生态、科研生态、教育生态合作伙伴进行广泛合作，面向新一代计算机体系结构，努力建设源自中国创新的、世界级的 Python 高性能集成开发环境生态。1.PerfXPy 已经运行在 ARM 处理器平台，支持 Apple M 系列、Phytium 飞腾处理器、华为鲲鹏等 ARM 处理器。PerfXLab 澎峰科技 15 2.PerfXPy 已经运行在 RISC-V 处理器平台，支持阿里平头哥、优矽科技的RISC-V IP，支持算能科技 RISC-V 高性能处理器（如，SG2042 64 核）。3.PerfXPy 已经支持 ubuntu，Debian 等 Linux 操作系统，将扩展至麒麟、统统信 UOS、openEuler 等国产操作系统。-全文结束-