Performance Improvements For Open-Source 80386

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã …

Learn Vectorized Thinking in Python Through Examples

Bài viết giải thích tại sao vòng lặp Python thường chậm khi xử lý dữ liệu lớn và giới thiệu cách thay thế bằng các phép toán vector hóa của NumPy. Nó trình bày từng kỹ thuật như phép toán phần tử, masking boolean, broadcasting giữa các hình dạng mảng và tổng hợp theo trục, kèm ví dụ song song giữa mã loop và mã vector hóa cho thuế, cảnh báo nhiệt độ, chuẩn hoá CTR chiến dịch và tính lương làm thêm. Các thí nghiệm cho thấy việc sử dụng NumPy có thể cải thiện đáng kể thời gian thực thi so với vòng lặp thuần Python. Bài cũng đưa ra danh sách kiểm tra để nhanh chóng nhận diện các vòng lặp có thể được vector hóa, giúp lập trình viên tối ưu hoá mã mà không thay đổi logic. Kết luận, việc áp dụng tư duy vector hóa không chỉ làm mã ngắn gọn hơn mà còn nâng đáng kể hiệu suất, đặc biệt khi làm việc với mảng đa chiều và các điều kiện phức tạp.

Bài viết này giúp lập trình viên Python tối ưu hóa hiệu suất bằng cách thay thế vòng lặp chậm bằng các thao tác vector hóa của NumPy.

Python 3.15 Preview: Sampling Profiler Quiz – Real Python

Python 3.15 preview đưa ra một sampling profiler mới được tích hợp vào bản phát hành để hỗ trợ đo lường hiệu suất mà không cần thay đổi mã. Profiler hoạt động ở hai chế độ – CPU (lấy mẫu dựa trên thời gian CPU thực) và GIL (lấy mẫu khi luồng giữ GIL), cho phép chọn mức độ chi tiết tùy thuộc vào workload đa luồng hoặc đơn luồng. Người dùng có thể tạo flame graphs và heatmaps trực tiếp từ dữ liệu lấy mẫu, đồng thời có thể đính kèm profiler vào một tiến trình đang chạy để phân tích vấn đề hiệu suất thực tế mà không cần khởi động lại. Việc hiểu sự khác biệt giữa hai chế độ lấy mẫu giúp lập trình viên chọn công cụ phù hợp – CPU mode cho phân tích tổng thời gian thực thi, GIL mode để xác định điểm cạnh tranh về lock trong các ứng dụng đa luồng. Kết hợp với khả năng xuất dữ liệu định dạng phổ biến như Speedscope hoặc perfetto, sampling profiler này trở thành một công cụ nhanh chóng, ít can thiệp để tối ưu hoá mã Python 3.15.

Bài viết này giúp lập trình viên nắm vững công cụ profiling mới trong Python 3.15 để tối ưu hóa hiệu năng ứng dụng.

High-Frequency Real-Time Data in React: From Ring Buffers to OffscreenCanvas

React xử lý hàng nghìn điểm dữ liệu mỗi giây không hiệu quả, từ ring buffers đến OffscreenCanvas cần được tối ưu hóa.

Bài này hướng dẫn bạn xử lý dữ liệu thời gian thực tần suất cao trong React bằng kỹ thuật tối ưu hóa hiệu suất như Ring Buffer và OffscreenCanvas.

How PHP optimises bytecode

OPcache trong PHP thường được gọi là cache nhưng thực tế nó không chỉ lưu trữ bytecode mà còn thực hiện chuỗi tối ưu hoá. Khi PHP biên dịch script, OPcache chèn mười lăm bước xử lý (passes) giữa trình biên dịch và trình thực thi để xây dựng lại bytecode. Những bước này bao gồm việc loại bỏ mã không dùng, gộp hằng số, tối ưu hoá vòng lặp và tái cấu trúc cây cú pháp. Nghiên cứu đo lường cho thấy chỉ một phần nhỏ bytecode sau các passes này còn sống sót vào thời gian chạy, phần lớn được thay đổi hoặc loại bỏ. Bài học là để hiểu hiệu suất PHP thực sự cần quan tâm đến các pass tối ưu hoá của OPcache chứ không chỉ dựa vào việc cache bytecode.

Để hiểu sâu hơn cách PHP tối ưu hoá bytecode và lợi ích thực tế của OPcache trong triển khai ứng dụng.

Doltgres is as Fast as MySQL is Slow

Doltgres đã đạt hiệu suất tương đương MySQL nhờ những tối ưu hóa gần đây.

Lập trình viên muốn tối ưu ứng dụng database cho hiệu suất cao và khả năng mở rộng nhanh chóng nên đọc bài này để khám phá cách Doltgres vượt trội so với MySQL trong các trường hợp sử dụng thực tế.

Artificial Intelligence As It Once Was

Internet Archive vừa công bố bộ sưu tập "Vintage Artificial Intelligence" cho phép truy cập và chạy phần mềm AI từ thập niên 1970 đến 1990 trực tiếp trên trình duyệt qua mô phỏng. Bộ sưu tập này chứa nhiều phiên bản của Eliza, các trò chơi phiêu lưu hội thoại, môi trường Lisp và Prolog, Racter (chương trình viết truyện đầu tiên), Alter Ego, một số triển khai của Conway's Game of Life và chương trình cờ vua Sargon. Mặc dù một số tác phẩm nổi tiếng như Hexapawn, Parry và công cụ George không được bao gồm, nhưng bộ sưu tập vẫn cung cấp đủ материала để nghiên cứu cách các hệ thống dựa trên quy tắc và xử lý ngôn ngữ tự động hoạt động trong thời kỳ đầu của AI. Nhờ khả năng mô phỏng trong trình duyệt, nhà phát triển và nhà nghiên cứu có thể kiểm tra, so sánh và học hỏi từ mã nguồn gốc mà không cần cài đặt phần mềm cũ hoặc máy tính thời đại. Điều này nhắc nhở chúng ta về giá trị của việc lưu trữ và truy cập phần mềm lịch sử để tránh mất mát kiến thức về thiết kế hệ thống chuyên gia đầu tiên và cung cấp cảm hứng cho các phương pháp AI hiện tại dựa trên quy tắc.

Bài viết này giúp lập trình viên khám phá và trải nghiệm nền tảng lịch sử của trí tuệ nhân tạo từ những năm 1970-1990.

15 Advanced C# Mistakes You’re Probably Still Making

Bài viết chỉ ra 15 lỗi nâng cao thường gặp trong lập trình C# mà nhiều lập trình viên vẫn mắc phải.

Lập trình viên nên đọc bài này để tránh những lỗi nâng cao trong C# gây ra hiệu suất kém, code khó bảo trì và các vấn đề an toàn dữ liệu mà nhiều người vẫn thường mắc phải mà không biết.