用Python寫的程序，確實在性能上會比其他語言差一些，這是因為Python為了最大化 開發效率 ，犧牲了一定的 運行效率 。開發效率和運行效率往往是魚與熊掌不可兼得的關系。

不過，程序性能較差有很多原因，并不能全把鍋甩到Python身上，我們應該首先從自己的代碼上找原因，找原因最快的方法就是算出自己寫的語句或函數的 執行時間 。這時候，很多人都會選擇用以下的形式打印出語句的執行時間：

這是一種比較低效的做法，如果你有上萬條語句要測試，想用這個方法來找到瓶頸簡直是大海撈針。幸好，得益于Python強大的社區功能，我們有很多關于效率的模塊可以使用，今天要介紹的是 line_profiler , 它可以算出函數里每條語句的占用時間。

我們將使用上次電影人臉識別中的代碼進行講解：Python 識別電影中的人臉，不過要注意，這篇推送里的函數少傳遞了幾個參數，正確參數請點擊該推送下方的閱讀原文進行查看哦。

1.準備

Python環境當然是必備的，如果你還沒有安裝Python，可以看這篇文章：超詳細Python安裝指南。

打開cmd/terminal輸入以下命令安裝line_profile：

pip install line_profiler

windows機器如果出現 Microsoft Visual C++ 14.0 is required 這樣的錯誤，請前往微軟官網，下載vs2015勾選"適用于visual C++2015的公共工具" 進行安裝。

如果出現：ModuleNotFoundError: No module named 'skbuild'的情況，請輸入以下命令安裝scikit-build:

pip install scikit-build

實在還是安裝不上的話 ，可以下載anaconda，輸入以下命令安裝：

conda install -c anaconda line_profiler

2.使用

使用方式非常簡單，比如原來我們在讀取人臉的代碼中，主函數是這樣的：

我們要測的是read_pic_save_face函數中所有語句的執行時間，只需要這樣調用line_profiler:

這樣就可以獲得該函數所有語句的執行時間報表。當然，它還有許多其他的調用方法，具體可以看line_profiler說明文檔： *
https://github.com/rkern/line_profiler*

3.閱讀報告

line_profiler報告包括幾個部分：

Line: 語句位于第幾行 **
Hits: 該行被執行的次數
Time: 該語句運行的總時間
Per Hit: 該語句運行一次的平均耗時
% Time: 該語句占總時間的比重**

可以看到，我們的這份代碼主要是在face_cascade.detectMultiScale 耗時最久，這是opencv的分類器執行效率問題。知道了是這里的效率問題，優化就有一個目標了。

這一部分的優化，我們可以從硬件方面入手，讓OpenCV在GPU上運行算法，這樣做性能將遠超在CPU上運行的性能，這是絕招。其次就是利用多線程計算（沒試過，不確定是否有用，或許下次可以試一下）。