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

Ce projet est un guide d'optimisation des performances Ruby et une ressource de refactorisation. Il fournit une collection de modèles de code benchmarkés et de comparaisons idiomatiques conçus pour augmenter la vitesse d'exécution et réduire les allocations mémoire dans les applications Ruby. La ressource se concentre sur le mappage des constructions linguistiques courantes vers leurs équivalents les plus efficaces sur le plan computationnel. Elle utilise une analyse comparative du timing et un profilage du nombre d'allocations pour identifier des idiomes haute performance qui remplacent les expressions gourmandes en objets. Le projet couvre le réglage du runtime applicatif et la gestion de la mémoire en identifiant les modèles qui réduisent la surcharge du garbage collector. Il emploie un développement piloté par les benchmarks pour évaluer l'impact de fonctionnalités linguistiques spécifiques sur la mémoire système et la vitesse d'exécution.

Porffor est un compilateur ahead-of-time qui convertit le code source JavaScript et TypeScript en code machine natif ou en binaires C. Il fonctionne comme un générateur de binaires natifs et un transpiler, produisant des fichiers exécutables autonomes qui ne nécessitent ni runtime ni machine virtuelle. Le projet traduit le code source en fichiers langage C et en formats binaires WebAssembly. Il inclut un pipeline direct-vers-binaire pour TypeScript, permettant la génération d'exécutables cibles sans étape de transpilation séparée vers JavaScript. La boîte à outils inclut également une boucle interactive read-eval-print (REPL) pour l'exécution de code en temps réel, ainsi que des capacités pour déboguer le code source et profiler les performances d'exécution.

GT est un outil de débogage mobile sur appareil conçu pour capturer des paquets réseau, analyser les journaux système, et profiler les performances matérielles directement sur un smartphone. Il fournit une suite portable d'utilitaires pour identifier les bugs logiciels et les goulots d'étranglement de traitement sans nécessiter une connexion à un ordinateur hôte. Le projet dispose d'un framework de débogage basé sur des plugins qui permet le développement d'extensions fonctionnelles personnalisées pour implémenter une logique de débogage spécifique au projet. Il permet également le réglage et l'injection de paramètres en temps réel, permettant aux paramètres internes de l'application d'être modifiés pendant l'exécution pour tester différentes configurations. L'outil couvre plusieurs domaines fondamentaux d'observabilité et de diagnostic, incluant le profilage des performances matérielles pour les métriques CPU, mémoire, batterie et taux de rafraîchissement. Il inclut des capacités pour intercepter et analyser le trafic réseau et les communications API, ainsi que des utilitaires pour agréger et analyser les journaux de crash au niveau de l'application et du système.

Ce projet est un framework de service de modèles PyTorch conçu pour déployer et mettre à l'échelle des modèles de machine learning en production via des endpoints réseau évolutifs. Il fonctionne comme un serveur d'inférence haute performance, un optimiseur et un gestionnaire de cycle de vie de modèle qui gère le chargement des modèles, le batching des requêtes et l'accélération matérielle. Le système se distingue par des capacités avancées d'orchestration et d'optimisation, telles que le chaînage de plusieurs modèles dans des workflows séquentiels utilisant des graphes d'exécution et l'utilisation du batching dynamique pour améliorer le débit et la latence. Il offre un support spécialisé pour l'IA générative et les grands modèles de langage (LLM) grâce au batching continu et au parallélisme de tenseurs. Les domaines de capacités étendus incluent la gestion des ressources GPU sur divers matériels comme NVIDIA, AMD et Apple Silicon, ainsi qu'une gestion complète du cycle de vie des modèles pour l'enregistrement, le versioning et la mise à l'échelle des workers. Il intègre également des outils d'observabilité pour suivre la santé du système et les performances des modèles via des métriques compatibles Prometheus. Le serveur est géré via une interface de ligne de commande utilisée pour le contrôle du cycle de vie et la configuration des paramètres d'exécution.

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 est un outil de profilage visuel pour Python conçu pour identifier les goulots d'étranglement et surveiller la consommation mémoire. Il agit comme un profileur CPU et mémoire qui transforme les données de performance en visualisations interactives pour analyser le temps processeur et les piles d'appels. Le projet se distingue par une suite de diagnostics visuels, incluant des flame graphs pour la visualisation des piles et des cartes thermiques (heatmaps) qui mappent la fréquence et la durée d'exécution directement sur le code source. Il inclut également un moniteur de performance distant capable de capturer des métriques spécifiques aux fonctions depuis un serveur en cours d'exécution et de diffuser ces données vers un outil de visualisation séparé. L'outil couvre de larges domaines de capacités, notamment le profilage CPU par échantillonnage, la surveillance mémoire au niveau de la ligne via le suivi du garbage collector, et la persistance des données de profil pour une analyse hors ligne. Ces utilitaires permettent d'auditer l'efficacité du code source et d'identifier les fuites de mémoire.

Ce projet est un guide complet de programmation de performance et une référence pour le langage Go, se concentrant sur l'efficacité du runtime et l'optimisation de la mémoire. Il fournit une collection de modèles et de techniques conçus pour augmenter la vitesse d'exécution en réduisant la surcharge du garbage collector et en optimisant l'utilisation de la mémoire. La ressource se distingue par des implémentations de référence détaillées pour l'optimisation mémoire, telles que l'analyse d'échappement (escape analysis), le pooling d'objets et l'alignement mémoire des structures. Elle propose des stratégies spécifiques pour réduire la taille des binaires et améliorer l'efficacité du cache CPU grâce à l'optimisation de la disposition mémoire des structures et à l'utilisation de placeholders sans allocation. Le projet couvre un large éventail de capacités d'ingénierie backend, incluant la gestion de la concurrence avec des pools de workers et des primitives de synchronisation, le routage RPC et HTTP haute performance, et des stratégies de mise en cache distribuée. Il inclut également des conseils sur l'observabilité via le profilage CPU et mémoire, ainsi que des modèles d'assurance qualité pour les tests unitaires fonctionnels et la génération d'objets mock. Le contenu est structuré comme une série de tutoriels, d'exemples architecturaux et de guides de benchmarking pour aider les développeurs à analyser et corriger les goulots d'étranglement de performance.