用Python写的程序，确实在性能上会比其他语言差一些，这是因为Python为了最大化开发效率，牺牲了一定的运行效率。开发效率和运行效率往往是鱼与熊掌不可兼得的关系。
不过，程序性能较差有很多原因，并不能全把锅甩到Python身上，我们应该首先从自己的代码上找原因，找原因最快的方法就是算出自己写的语句或函数的执行时间。这时候，很多人都会选择用以下的形式打印出语句的执行时间：
import time
a = time.time()
temp = [index*index for index in range(1000000)]
b = time.time()
print(b-a)这是一种比较低效的做法，如果你有上万条语句要测试，想用这个方法来找到瓶颈简直是大海捞针。幸好，得益于Python强大的社区功能，我们有很多关于效率的模块可以使用，今天要介绍的是 line_profiler , 它可以算出函数里每条语句的占用时间。
我们将使用上次电影人脸识别中的代码进行讲解：Python 识别电影中的人脸，不过要注意，这篇推送里的函数少传递了几个参数，正确参数请点击该推送下方的阅读原文进行查看哦。
1.准备
Python环境当然是必备的，如果你还没有安装Python，可以看这篇文章：超详细Python安装指南。
打开cmd/terminal输入以下命令安装line_profile：
pip install line_profiler
windows机器如果出现 Microsoft Visual C++ 14.0 is required 这样的错误，请前往微软官网，下载vs2015勾选"适用于visual C++2015的公共工具" 进行安装。
如果出现：ModuleNotFoundError: No module named 'skbuild'的情况，请输入以下命令安装scikit-build:
pip install scikit-build
实在还是安装不上的话，可以下载anaconda，输入以下命令安装：
conda install -c anaconda line_profiler
2.使用
使用方式非常简单，比如原来我们在读取人脸的代码中，主函数是这样的：
if __name__ == '__main__':
sourcePath = 'frames/greenbooks'
targetPath1 = 'target/test'
read_pic_save_face(sourcePath, targetPath1, '.jpg', '.JPG', 'png', 'PNG')我们要测的是read_pic_save_face函数中所有语句的执行时间，只需要这样调用line_profiler:
if __name__ == '__main__':
sourcePath = 'frames/test'
targetPath1 = 'target/test'
# read_pic_save_face(sourcePath, targetPath1, '.jpg')
profile = LineProfiler(read_pic_save_face)
profile.runcall(read_pic_save_face, sourcePath, targetPath1, '.jpg')
profile.print_stats()这样就可以获得该函数所有语句的执行时间报表。当然，它还有许多其他的调用方法，具体可以看line_profiler说明文档： https://github.com/rkern/line_profiler
3.阅读报告
line_profiler报告包括几个部分：
Line: 语句位于第几行
Hits: 该行被执行的次数
Time: 该语句运行的总时间
Per Hit: 该语句运行一次的平均耗时
% Time: 该语句占总时间的比重
可以看到，我们的这份代码主要是在face_cascade.detectMultiScale 耗时最久，这是opencv的分类器执行效率问题。知道了是这里的效率问题，优化就有一个目标了。
这一部分的优化，我们可以从硬件方面入手，让OpenCV在GPU上运行算法，这样做性能将远超在CPU上运行的性能，这是绝招。其次就是利用多线程计算（没试过，不确定是否有用，或许下次可以试一下）。
