【Python】M1、M2、M3のMacbookでPython 3.12.2をベンチマークする

こんにちは。ナミレリです。みなさん、MacでPythonは使っていますか？

2024年3月にM3のMacbook Airが発売され、15インチのシルバーを購入しました。M1、M2、M3でPython 3.12.2のベンチマークテストを行い、どの程度シングルコア性能が上がっているのかを確認していきます。

環境は以下の通りです。macOSはSonoma 14.4でPythonのバージョンは3.12.2に統一しています。

この記事の計測環境

M3 MacBook Air

• M3 MacBook Air 15インチ（メモリ24GB）
• macOS Sonoma 14.4
• Python 3.12.2

M2 MacBook Air

• M2 MacBook Air 13.6 インチ（メモリ16GB）
• macOS Sonoma 14.4
• Python 3.12.2

M1 Max MacBook Pro

• MacBook Pro 14インチ M1Max（メモリ32GB）
• macOS Sonoma 14.4
• Python 3.12.2

Parallels 19 for Macの無料トライアル もありますので、ぜひダウンロードして試してみてください。M1/M2/M3のMac上で快適にMacやUbuntu、Windowsが動作します。

NEW Parallels Desktop 19 for Mac

Parallels Desktop 19 for Macは、M1/M2/M3のMac上で快適にMacやUbuntu、Windowsが動作します。

14日間の無料トライアルもありますので、ぜひダウンロードして試してみてください。

Parallels Desktop 19 公式サイト

関連

【初心者向け】Parallels Desktop 19 for Macの特徴とエディションの比較

計測環境について

以下の3つのMacBookを使います。sysctl -aの詳細です。

M3 MacBook Air

sysctl -a | grep -e brand_string -e cpu.core_count
machdep.cpu.core_count: 8
machdep.cpu.brand_string: Apple M3

M2 MacBook Air

sysctl -a | grep -e brand_string -e cpu.core_count
machdep.cpu.core_count: 8
machdep.cpu.brand_string: Apple M2

M1 Max MacBook Pro

sysctl -a | grep -e brand_string -e cpu.core_count
machdep.cpu.core_count: 10
machdep.cpu.brand_string: Apple M1 Max

ベンチマークスクリプトについて

下の記事を参考にさせていただきました。

また、Pythonの3.9、3.10、3.11などのベンチマークについて以前の記事で紹介しています。ぜひご覧ください。

関連

【Python】Python 3.11.0のベンチマークをいろいろとやってみる

関連

【Python】Parallels上のUbuntu 22.10でPython 3.11.0のベンチマークをとってみる

では、早速はじめてみます。

1. forループ処理

単純なforによるループ処理を計測してみます。0から100,000,000までの数字をforによりループさせ、それを10回繰り返す処理です。処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        pass

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

2. 代入処理

上の単純なforによるループ処理に加えて、ans = iの代入を追加したプログラムです。

0から100,000,000までの数字をforによりループさせ、都度その数値をansに代入しています。それを10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    ans = 0
    for i in range(n):
        ans = i

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

3. 定数を使った四則演算

0から100,000,000までの数字をforによりループさせ、都度、決まった四則演算を行っています。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        1 + 1
        1 - 1
        1 * 1
        1 // 1
        
n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

4. 変数を使った四則演算

2から100,000,000までの数字をforによりループさせ、繰り返し変数iを使って四則演算を行っています。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(2, n):
        i * (i % (i - 1)) + i
        
n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

5. if文

0から100,000,000までの数字をforによりループさせ、if文の条件で繰り返し変数iが0だったら、という処理をしています。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        if i == 0:
            pass
    
n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

配列アクセス

6. シーケンシャル

0から100,000,000までのリストAを用意して、順番にリストの要素にアクセスします。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [i for i in range(n)]
    for a in A:
        pass

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

7. ランダムアクセス(Read)

0から100,000,000までのリストAを用意して、indexを指定してリストの要素にアクセスします。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [i for i in range(n)]
    for i in range(n):
        A[i]

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

8. ランダムアクセス(Write)

0から100,000,000までのリストAを用意して、indexを指定してリストの要素にアクセスします。その要素に0を代入します。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [i for i in range(n)]
    for i in range(n):
        A[i] = 0

n = 100000000  # 10^8
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

9. ソート

0から1,000,000までランダムな順番のリストAを用意し、その後リストAをソートします。全体を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit
from random import randint, seed
seed(0)

def test():
    A = [randint(1, n) for _ in range(n)]
    A.sort()

n = 1000000  # 10^6
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

文字列結合

10. +による結合

0から10,000,000までの数字をforによりループさせ、都度、文字列aを結合します。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    ans = ''
    for i in range(n):
        ans += 'a'

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

11. joinによる結合

0から10,000,000までのリストA（文字列）を用意して、リストの各要素を区切り文字なしで結合します。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    A = [str(i) for i in range(n)]
    ans = ''.join(A)

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

モジュール

12. deque

0から10,000,000までのdequeオブジェクトを用意し、0から10,000,000までの数字をforによりループさせ、dequeオブジェクトの先頭の要素を取り出し(que.popleft())、その要素を末尾に追加します(que.append())。10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit
from collections import deque

def test():
    que = deque(range(n))
    for i in range(n):
        que.append(que.popleft())

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

13. 優先度付きキュー

Python標準ライブラリのheapqを使い、リストqueに0から10,000,000までを優先度付きキューの要素に挿入します。その後、優先度付きキューから最小値を取り出します。この処理を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit
import heapq

def test():
    que = [0]
    for i in range(n):
        heapq.heappush(que, i)

    for i in range(n):
        heapq.heappop(que)

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

14. 組み込み関数呼び出し

0から10,000,000までの数字をforによりループさせ、max関数により繰り返し変数iと0の2つの要素の内、最大値を持つ要素の値を取得します。この処理を10回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def test():
    for i in range(n):
        max(0, i)

n = 10000000  # 10^7
loop = 10

result = timeit.timeit('test()', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

15. 再帰関数

40番目のフィボナッチ数列を再帰処理で求めます。3回繰り返し、処理が終わったら平均を秒で出力します。

import timeit

def fibonacci(n):
    if n == 0 or n == 1:
        return n
    else:
        return fibonacci(n - 2) + fibonacci(n - 1)

n = 40
loop = 3

result = timeit.timeit('fibonacci(n)', globals=globals(), number=loop)
print(format(result / loop, '.3f'))

numpy

16. numpy

libblasを指定したnumpyでの計測です。

import time
import numpy as np
np.random.seed(42)
a = np.random.uniform(size=(300, 300))
runtimes = 10

timecosts = []
for _ in range(runtimes):
    s_time = time.time()
    for i in range(100):
        a += 1
        np.linalg.svd(a)
    timecosts.append(time.time() - s_time)

print(f'mean of {runtimes} runs: {np.mean(timecosts):.5f}s')

使われるBLASによって計算速度が変わります。BLASについては下記サイトがわかりやすくまとめてくれています。

Numpyの定番オススメ書籍：Pythonによるデータ分析入門 第2版

最後に

最後まで読んでいただきありがとうございます。今回の【Python】M1、M2、M3のMacbookでPython 3.12.2をベンチマークするはいかがでしたでしょうか。M1の衝撃は今でも忘れることはないですが、M2、M3と性能がしっかり向上しているのがわかります。MacでPythonは楽しいですね。

kindle unlimited 読み放題

MacやLinux、Pythonなど技術系のkindle本も豊富にあります。詳しくはこちらから。

初めてkindle unlimited 読み放題をご利用の方は30日間の無料で体験できます。
期間終了後は月額980円で、いつでもキャンセルできます。
200万冊以上が読み放題。お好きな端末で利用可能です。

kindle unlimited 30日無料で体験

良いコード／悪いコードで学ぶ設計入門―保守しやすい　成長し続けるコードの書き方

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

Pythonライブラリの教科書

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

すぐに使える！業務で実践できる！Pythonによる AI・機械学習・深層学習アプリのつくり方 TensorFlow2対応

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

Pythonで学ぶあたらしい統計学の教科書 第2版

• Kindle本で探す
• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

現場で使える！Python深層強化学習入門 強化学習と深層学習による探索と制御

翔泳社

• Amazonで探す
• 楽天市場で探す
• Yahooショッピングで探す

定番おすすめ記事

関連

【Python】Parallels上のUbuntu 22.10でPython 3.11.0のベンチマークをとってみる

関連

【Python】macOS13.1でCore MLのStable Diffusionを試す（爆速なのか？！）

関連

【Python】M1/M2のCore MLに最適化されたStable Diffusionを試す

関連

【Python】M1/M2 MacでPython環境の構築（機械学習・データ分析編）

関連

【Python】M1/M2 MacでPython環境の構築（pyenvとvenvのインストールと設定、そして使い方）

関連

【Python】M1/M2 MacにAnacondaをインストールする（pyenv編）

関連

【Python】pyenvのよく使うコマンドの使い方

関連

【Linux】Ubuntu 22.10(Kinetic Kudu)にpyenvをインストールし環境構築する