Mojo 是 Python 家族的一员，但有着远大的目标——想要与 Python 生态系统完全兼容，因此开发人员可以继续使用自己熟悉的工具。Mojo 旨在通过保留 Python 的动态特性，同时为系统编程添加新原语，逐渐成为 Python 的超集。
LLVM 和 Swift 编程语言的联合创始人、Modular 公司 CEO Chris Lattner 此前在 Hacker News 上表示：“我们的目标不是让动态 Python 神奇地快速。虽然我们在动态代码方面要快得多（因为我们有编译器而不是解释器），但这并不是依靠‘足够智能’的编译器来消除动态性”。
据介绍，Mojo 最初的目标是比 Python 快 35000 倍，近日该团队表示，Mojo 将动态与静态语言的优点结合起来，一举将性能提升达 Python 的 68000 倍。
Mojo 团队在系列博文中介绍了 Mojo 是如何比 Python 快 68000 倍的：在第一篇博文中，团队尝试将代码移植为 Mojo，从而获得了约 90 倍的性能提升；在第二篇博文中，团队对代码进行矢量化与并行化，又将性能提升了 2.6 万倍；在第三篇博文中，团队展示如何通过新的性能技术全面超越 3.5 万倍的程序加速目标。
具体来说，Mojo 团队首先用简单端口将 Python 程序提速 89 倍；之后通过针对性优化和利用现代 CPU 的算力潜能，又将速度提升 2.6 万倍。Mojo 团队提出的并行策略是，每个 CPU 核心都应负责处理同等数量的代码行。
然而，只有当跨行工作负载相同时，对负载进行拆分以保证各个线程 worker 获取其中一组代码行才具有可行性；但曼德勃罗集并不是这样。以这种方式进行拆分会引发负载不均衡问题，这是因为曼德勃罗集中的一个像素可能在单次迭代后完成，而另一像素则可能经历 MAX_ITERS 多次迭代。也就是说，各个行的迭代次数并不相等，会导致某些率先完成计算的线程处于闲置状态，不利于全面挖掘性能潜力。
为了演示这种不均衡问题，Mojo 团队绘制了每个行在曼德勃罗集中执行的迭代总数。如下图所示，某些行在转义之前只需要不到 1000 次迭代，但其他一些行则可能需要超 80 万次迭代。
各个行所执行的迭代总数（以对数坐标系显示）并非均匀分布。某些行（例如图像中央部分的行）可能需要 80 多万次迭代，而两端的行则只需要 800 次左右迭代。
如果硬性为各个线程分配一定数量的连续行，就会发生全体线程都在等待，直至中间某组代码行（被分配给某个核心）完成运行的情况。解决这个问题的办法有很多，但最简单的当然是过度拆分。也就是说，各个线程所获得的不是一组平均分配的行，而是建立起一个工作负载池，再为每个行创建相应的工作项。各线程则以循环方式不断从线程池中拾取这些工作项。
好消息是 Mojo 拥有一个性能出色的并发运行时，所以我们用不着自行创建线程池或者设计循环拾取 / 执行。Mojo 的运行时提供不少高级功能，可以充分利用这样的多核心系统。
回顾整个旅程，Mojo 团队先是对 Python 代码实现了 2.6 万倍性能提升，之后又使用超额订阅达成提速 68847 倍的最终成绩，并最终实现了 6.8 万倍的 Python 提速效果；而在应用超额订阅之后，性能在此前并行版本的基础上又提高了 1 倍。
版权申明：本内容来自于互联网，属第三方汇集推荐平台。本文的版权归原作者所有，文章言论不代表链门户的观点，链门户不承担任何法律责任。如有侵权请联系QQ：3341927519进行反馈。
