阅读更多

1顶
0踩

编程语言

原创新闻 Rust 1.9发布,提高了速度和错误处理

2016-06-20 14:31 by 副主编 mengyidan1988 评论(0) 有6341人浏览



Rust 1.8的新build系统首次亮相一个月之后,1.9版本便横空出世。这个版本中,编译速度大大提升,跨平台的工具增强,语言自身加强了对错误的处理。

最新的版本为开发者们提供了最实际的便利。如博客中所介绍,1.9版本加强了std:panic模块的稳定性。如果某个线程引起了Rust的程序恐慌时——遇到了期望之外的错误——一个新的APIcatch_unwind就可以从另一个线程打断处于恐慌的线程,从而让应用从整体上对错误的处理能力更高。

另一个改变是rustup,一个跨平台的管理工具。rustup可以让开发者在不同的平台使用和切换。由于使用LLVM的原因,Rust理论上是一个跨平台的语言,但是管理工具其实并不友好。rustup改变了这个问题,虽然还有些问题没有解决,比如装配C语言写的某些Rust组件(编译与C有关的依赖)。

Rust的维护者说:“虽然这项功能现在暂时没有发布,但是我们希望能在接下来的几个月中将其合并到语言中。”

Rust 1.9带来的一系列微小但是颇有意义的优化从整体上大大提高了程序的执行和编译速度。一种新的优化specialization“允许一般的代码自动的根据一些特殊类型的信息变成特殊的代码”,从而可以进一步做针对性的优化。另一项优化提升了相等测试的速度,让一些代码的速度大大提高。

另一项有用的改变是第三方库中的API可以添加警告注释了。鉴于Rust环境快速发展的今天,尤其是第三方库的迅速增长,这个特性比它看起来要重要的多。开发者在某些东西被废弃之后对用户提供警告(例如,它所依赖的Rust特性被废弃或者重构)有了一种优雅的方式。

Rust开发者2016年定了雄心勃勃的目标,目前大多数都被快速实现了,例如精简标准库等。某些还有待实现,比如用来缩短大型项目重新编译时间的递增编译,但是四月的MIR显示了这想工作的前奏。

原文:Rust 1.9 improves speed, error handling
作者: Serdar Yegulalp
翻译:赖信涛
责编:钱曙光
  • 大小: 576.6 KB
1
0
评论 共 0 条 请登录后发表评论

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • Rust 错误处理

    文章目录一、返回错误与异常处理OptionResult: Option...Rust Book 对 rust 中的错误处理有详细的讲解,本文对其中一些选择背后的原因进行了思考和总结。强烈建议先看原文。 一、返回错误与异常处理 名正则言顺,我们先

  • 如何使用Rust提高Ruby性能

    摘要:Ruby是一种简单快捷面向对象的脚本语言,而Rust是一种系统编程语言,它有着惊人的运行速度,能够防止段错误,并保证线程安全。本文作者以项目为例,结合大量的编程代码描述了如何借助Rust语言提高Ruby的性能,...

  • rust基础

    本篇文章是[《Rust程序设计语言》](https://kaisery.github.io/trpl-zh-cn/title-page.html)第一~六章笔记

  • Rust极简教程

    letOption集合vector容器String代码组织命名空间访问其他mod和crate访问权限和关键字访问其他文件中的对象使用第三方库异常处理泛型泛型概念特性(接口)文件和IO面向对象并发编程线程消息传递互斥锁代码说明引用...

  • Discord 从 Go 切换至 Rust 的深层原因

    rust

  • 【Rust深入浅出-4】类型转换

    Rust深入浅出教程第四章《类型转换》本章节将介绍基本数据类型之间的转换本文用到了一些match等后期知识,不理解不影响阅读本掌介绍了as, From&Into, try_from&try_into 和 parse 四种基本类型转换方法,as是子集...

  • 最终,我们放弃了 GO,迁移至 Rust,特性使然

    本文阐述了 Discord 从 Go 切换至 Rust 的深层原因,并分析了在内存管理中 Go 面临的一些固有问题,作者同时对比了 Go 和 Rust 在 Discord Read States 服务中的性能。 在各个领域,Rust 都已经成为一流的语言...

  • 【跟小嘉学 Rust 编程】四、理解 Rust 的所有权概念

    本章节将讲解 Rust 独有的概念(所有权)。所有权是 Rust 最独特的特性,它使得 Rust 能够在不需要垃圾收集器的情况下保证内存安全。因此理解所有权是如何工作很重要

  • 《Python基础教程》内容总览篇

    最近有几个学习很认真的同学们给我反馈,专栏博客帮助他解决了大模型、爬虫、Python基础等各类问题,但有时候找起来不太方便,希望能对专栏的文章进行分门别类的整理,这样就能提高检索效率。   优秀的建议必须...

  • RedisJSON存储、更新和检索JSON文档

    RedisJSON 存储、更新和检索JSON文档、使用RedisJson、 RedisJson安装部署、RedisJson常用操作

  • Docker运行之com.docker.supervisor failed to start Exit code 1 问题之解决

    Docker是一个非常跨时代的工具,是在继虚拟化之后的新一个好用易用的工具,可以极大提升开发和部署的效率。本文将解决一个在Mac上部署Docker之时碰到的问题。 环境介绍 操作系统: MacOS 10.13.2 (17C205) ...

  • Python包装用户指南(删减了讨论和新闻部分)

    欢迎使用Python Packaging用户指南,这是一系列教程和参考资料,可帮助您使用现代工具分发和安装Python包。 本指南由Python Packaging Authority在GitHub上维护。我们乐意接受任何贡献和反馈。

  • 基于Spark 和Scala 的最先进数据分析技术有哪些?

    “我之所以要翻译这本书,也是源于我对大数据生态圈的理解和判断。与传统的MR 计算框架相比,Spark 有着足够的性能和易编程方面的优势,并且Spark 本身也正在形成自己的生态体系。而Spark 的原生语言Scala 将面向...

  • go语言学习--数组、切片、map初始化操作和区别

    pls := [][]string { {"C", "C++"}, {"JavaScript"}, {"Go", "Rust"}, } for _, v1 := range pls { for _, v2 := range v1 { fmt.Printf("%s ", v2) } fmt.Printf("\n") } } 上面程序的输出如下: C C++ ...

  • #来评选你心中的TOP1编程语言# 不同编程语言的优缺点及对C++语言发展的猜测

    2.4.1.2 并发和并行编程支持 Rust提供了丰富的并发和并行编程机制,如通道、锁和异步编程等,方便开发者处理复杂的开发场景。 2.4.1.3 高性能 Rust既具备静态类型检查,又生成高效的机器码,因此可提供接近于C++的...

  • 2021年9月Github优秀项目推荐

    泰森云每月整理发布(2021-09期刊) C 项目 1.HEX-LINK Star 139Watch 3Fork 18中文 自制电脑游戏的体感设备。该项目包含制作时需要的硬件设计和全部源码 . ├─firmware # 软件(根据自己使用的工具选择如下一...

  • 毕业设计基于STC12C5A、SIM800C、GPS的汽车防盗报警系统源码.zip

    STC12C5A通过GPS模块获取当前定位信息,如果车辆发生异常震动或车主打来电话(主动请求定位),将通过GSM发送一条定位短信到车主手机,车主点击链接默认打开网页版定位,如果有安装高德地图APP将在APP中打开并展示汽车当前位置 GPS模块可以使用多家的GPS模块,需要注意的是,当前程序对应的是GPS北斗双模芯片,故只解析 GNRMC数据,如果你使用GPS芯片则应改为GPRMC数据即可。 系统在初始化的时候会持续短鸣,每初始化成功一部分后将长鸣一声,如果持续短鸣很久(超过20分钟),建议通过串口助手查看系统输出的调试信息,系统串口默认输出从初始化开始的所有运行状态信息。 不过更建议你使用SIM868模块,集成GPS.GSM.GPRS,使用更加方便

  • 基于tensorflow2.x卷积神经网络字符型验证码识别.zip

    基于tensorflow2.x卷积神经网络字符型验证码识别 卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。

  • 【三维装箱】遗传和模拟退火算法求解三维装箱优化问题【含Matlab源码 031期】.zip

    【三维装箱】遗传和模拟退火算法求解三维装箱优化问题【含Matlab源码 031期】.zip

Global site tag (gtag.js) - Google Analytics