人工智能浪潮之下，学习 Python 成为必然趋势。Python 以简单的语法、良好的交互性、移植性等优势受到开发者的喜爱，但和老牌的 C++ 相较而言，谁运行的速度更快一些？开发者会毫无疑问地选择了 C++，而本文也证实了这一点。（私信小编007获取大量Python学习资源！）
算法
但在比较歌曲时还需要考虑更多情况。有时两首歌开头的空白时间长短不同，因此指纹的比特不会完美地对齐，直接比较会不匹配，但将其中一个指纹移动一位可能就能匹配。
最初的 Python 实现
Bard 是用 Python 写的，所以第一版实现采用了 Python 的列表以整数数组的方式保存指纹。每次迭代过程中需要移位时，我会在其中一个指纹数组前面加个 0，然后迭代整个数组，依次比较每个元素。比较的方法是对两个元素执行异或操作，然后用一个算法来数出整数中的比特个数：
我们把这个实现的速度作为参考值，称之为一倍速。
第一个改进
这个改进使得比较速度几乎提高到了两倍速。
使用 C++17
此时，我认为这段代码没办法很容易扩展到更大的曲库上，因此我认为 Bard 需要更好的实现。修改内存很慢，而 C/C++ 可以实现更细粒度的底层优化，但我并不想用 C++ 重写整个应用，因此我采用了
这个算法最大的好处就是比较过程不会修改或复制任何指纹，这使得速度增加了 126.47 倍。此时我开始计算另一个度量：每秒钟比较的歌曲数（别忘了每比较一对歌曲就要做 200 次指纹比较）。这个算法的平均速度是 580 首/秒。或者换句话说，要想比较 1000 首歌，需要花费大约 14 分 22 秒（注意原来的 Python 实现大约需要一天 6 小时 16 分 57 秒）。
首次并行算法尝试
这个方法能把速度提高到 1897 倍，或者说大约 8700 首歌曲/秒（1000 首歌曲需要处理大约57秒。很不错，是吧！）
第二次并行尝试
很显然我却忘记了的重要改进
免费得到的 Tumbleweed 的改进
最终的优化
结论
从这次经历中得到的一些值得记录的经验：
- 花点时间优化代码，会物有所值。
閱讀更多 編程夢工廠 的文章
