Awesome GitHub RepositoriesCode Execution Profilers

30 Seconds of Python is a curated collection of short, reusable Python code snippets designed for quick reference and immediate reuse. It provides an interactive browser that lets you explore snippets organized by tags, search across names and descriptions, and copy code to your clipboard with a single click. The collection covers a broad range of common programming tasks, including list and dictionary operations, string formatting and manipulation, date and time calculations, and color format conversion. It also includes utilities for data transformation, such as converting between case styl

Haxe is a statically typed, multi-target programming language and open-source compiler toolkit that translates a single codebase into native executables and scripts for JavaScript, C++, C#, Java, Python, Lua, PHP, and Flash targets. It provides a unified type system with automatic type inference, a compile-time macro system for code transformation and generation, conditional compilation directives, and a static analysis engine that enforces null safety and eliminates dead code to produce smaller, safer outputs. The language is supported by the HashLink virtual machine, which executes platform

Pixie is an open-source observability platform for Kubernetes that uses eBPF to automatically capture telemetry data from clusters without requiring any manual instrumentation or code changes. It functions as an eBPF telemetry collector, a continuous application profiler, a network traffic analyzer, and a scriptable telemetry query engine, all within a single Kubernetes-native tool. The platform distinguishes itself through several integrated capabilities. It continuously samples stack traces from compiled-language code to identify CPU performance bottlenecks, visualizing the results as inter

Linux工具快速教程

Clockwork is a PHP development debugging tool that collects and displays runtime data from server-side middleware in a browser-based interface. It captures request details, performance metrics, logs, database queries, and stack traces for HTTP requests, commands, queue jobs, and tests without requiring modifications to application code. The tool provides a client-side rendered toolbar and full web interface for inspecting collected data, including a searchable performance timeline viewer, an HTTP request monitor with timing and response details, and inline variable logging helpers that return

Dieses Projekt ist ein Leitfaden zur Performance-Optimierung und eine Ressource für Refactoring in Ruby. Es bietet eine Sammlung von gebenchmarkten Coding-Mustern und idiomatischen Vergleichen, die darauf ausgelegt sind, die Ausführungsgeschwindigkeit zu erhöhen und Speicherallokationen in Ruby-Anwendungen zu reduzieren. Die Ressource konzentriert sich darauf, gängige Sprachkonstrukte ihren recheneffizientesten Äquivalenten zuzuordnen. Sie nutzt vergleichende Timing-Analysen und Profiling der Allokationsanzahl, um hochperformante Idiome zu identifizieren, die objektlastige Ausdrücke ersetzen. Das Projekt deckt das Tuning der Anwendungslaufzeit und das Speichermanagement ab, indem es Muster identifiziert, die den Overhead der Garbage Collection reduzieren. Es setzt auf Benchmark-getriebene Entwicklung, um die Auswirkungen spezifischer Sprachfeatures auf Systemspeicher und Ausführungsgeschwindigkeit zu bewerten.

Porffor ist ein Ahead-of-Time-Compiler, der JavaScript- und TypeScript-Quellcode in native Maschinencode- oder C-Binärdateien konvertiert. Er fungiert als nativer Binary-Generator und Transpiler, der eigenständige ausführbare Dateien erstellt, die keine Runtime oder virtuelle Maschine benötigen. Das Projekt übersetzt Quellcode in C-Sprachdateien und WebAssembly-Binärformate. Es enthält eine Direct-to-Binary-Pipeline für TypeScript, die die Generierung von Ziel-Executables ohne einen separaten Transpilierungsschritt zu JavaScript ermöglicht. Das Toolset enthält zudem eine interaktive Read-Eval-Print-Loop (REPL) für die Codeausführung in Echtzeit sowie Funktionen zum Debuggen von Quellcode und zum Profiling der Ausführungsperformance.

GT ist ein mobiles On-Device-Debugging-Tool, das entwickelt wurde, um Netzwerkpakete zu erfassen, Systemprotokolle zu analysieren und die Hardwareleistung direkt auf einem Smartphone zu profilieren. Es bietet eine portable Suite von Dienstprogrammen zur Identifizierung von Softwarefehlern und Verarbeitungsengpässen, ohne dass eine Verbindung zu einem Host-Computer erforderlich ist. Das Projekt bietet ein Plugin-basiertes Debugging-Framework, das die Entwicklung benutzerdefinierter funktionaler Erweiterungen zur Implementierung projektspezifischer Debugging-Logik ermöglicht. Es ermöglicht zudem Echtzeit-Parameter-Tuning und -Injektion, wodurch interne Anwendungseinstellungen während der Ausführung modifiziert werden können, um verschiedene Konfigurationen zu testen. Das Tool deckt mehrere Kernbereiche der Observability und Diagnose ab, einschließlich Hardware-Leistungsprofiling für CPU-, Speicher-, Batterie- und Framerate-Metriken. Es enthält Funktionen zum Abfangen und Analysieren von Netzwerkverkehr und API-Kommunikationen sowie Dienstprogramme zur Aggregation und Analyse von Anwendungs- und System-Crash-Logs.

Dieses Projekt ist ein PyTorch-Framework für das Model-Serving, das darauf ausgelegt ist, Machine-Learning-Modelle in der Produktion über skalierbare Netzwerk-Endpunkte bereitzustellen. Es fungiert als leistungsstarker Inference-Server, Optimierer und Modell-Lifecycle-Manager, der das Laden von Modellen, Request-Batching und Hardware-Beschleunigung übernimmt. Das System zeichnet sich durch fortschrittliche Orchestrierungs- und Optimierungsfunktionen aus, wie etwa das Verketten mehrerer Modelle zu sequenziellen Workflows mittels Ausführungsgraphen und den Einsatz von Dynamic Batching zur Verbesserung von Durchsatz und Latenz. Es bietet spezialisierte Unterstützung für generative KI und Large Language Models durch Continuous Batching und Tensor-Parallelität. Zu den breiten Funktionsbereichen gehören GPU-Ressourcenmanagement für diverse Hardware wie NVIDIA, AMD und Apple Silicon sowie ein umfassendes Lifecycle-Management für Registrierung, Versionierung und Worker-Skalierung. Zudem integriert es Observability-Tools zur Überwachung des Systemzustands und der Modellleistung über Prometheus-kompatible Metriken. Der Server wird über eine Kommandozeilenschnittstelle verwaltet, die zur Steuerung des Lifecycles und zur Konfiguration von Laufzeitparametern dient.

stacktrace.js is a JavaScript library designed for generating and parsing detailed function call stacks from error objects across different web browsers. It functions as a stack trace parser and error instrumentation utility that captures execution flow and error traces. The project differentiates itself through its ability to resolve source maps, translating minified JavaScript stack traces back to original source lines. It also includes a remote error reporter for transmitting processed exception data and stack traces to a centralized server for analysis. The library covers broad capabilit

vprof ist ein visuelles Profiling-Tool für Python, das entwickelt wurde, um Engpässe bei der Ausführung zu identifizieren und den Speicherverbrauch zu überwachen. Es fungiert als CPU- und Speicher-Profiler, der Leistungsdaten in interaktive Visualisierungen umwandelt, um Prozessorzeit und Call-Stacks zu analysieren. Das Projekt zeichnet sich durch eine Reihe visueller Diagnosen aus, darunter Flame Graphs zur Stack-Visualisierung und Heatmaps, die Ausführungshäufigkeit und -dauer direkt auf den Quellcode abbilden. Es enthält zudem einen Remote-Performance-Monitor, der funktionsspezifische Metriken von einem laufenden Server erfassen und diese Daten an ein separates Visualisierungstool streamen kann. Das Tool deckt breite Funktionsbereiche ab, darunter sampling-basiertes CPU-Profiling, zeilenweises Speicher-Monitoring durch Garbage-Collector-Tracking sowie die Persistenz von Profildaten für die Offline-Analyse. Diese Dienstprogramme ermöglichen die Prüfung der Effizienz des Quellcodes und die Identifizierung von Speicherlecks.

Dieses Projekt ist ein umfassender Leitfaden und eine Referenz für Performance-Programmierung in Go, mit Fokus auf Laufzeiteffizienz und Speicheroptimierung. Es bietet eine Sammlung von Patterns und Techniken, die darauf ausgelegt sind, die Ausführungsgeschwindigkeit durch Reduzierung des Garbage-Collection-Overheads und Optimierung der Speichernutzung zu steigern. Die Ressource zeichnet sich durch detaillierte Referenzimplementierungen zur Speicheroptimierung aus, wie etwa Escape-Analyse, Object Pooling und Structure Memory Alignment. Sie bietet spezifische Strategien zur Reduzierung der Binärgröße und zur Verbesserung der CPU-Cache-Effizienz durch Optimierung des Speicherlayouts von Strukturen und die Verwendung von Zero-Allocation-Platzhaltern. Das Projekt deckt ein breites Spektrum an Backend-Engineering-Fähigkeiten ab, einschließlich Concurrency-Management mit Worker Pools und Synchronisations-Primitiven, High-Performance-RPC und HTTP-Routing sowie Strategien für verteiltes Caching. Es enthält zudem Anleitungen zur Observability durch CPU- und Memory-Profiling sowie Quality-Assurance-Patterns für funktionale Unit-Tests und die Generierung von Mock-Objekten. Der Inhalt ist als Serie von Tutorials, Architekturbeispielen und Benchmarking-Leitfäden strukturiert, um Entwicklern bei der Analyse und Behebung von Performance-Engpässen zu helfen.

perf-ninja is a collection of educational resources and curricula focused on CPU architecture, memory hierarchies, SIMD programming, and low-level performance engineering. It provides instructional material and practical labs for identifying and fixing CPU bottlenecks, such as cache misses and branch mispredictions. The project differentiates itself through specialized training in hardware-level optimizations, including the use of compiler intrinsics for SIMD vectorization and the implementation of branchless predicate execution to eliminate pipeline stalls. It also covers advanced binary-lev