MicroPython性能优化：让Python在MCU上的运行速度提升3倍
在ESP32、RP2040等MCU上跑MicroPython，开发者常抱怨“Python太慢”。但多数情况下，慢的不是Python本身，而是没用对优化手段。通过组合使用const常量、预编译字节码、native/viper代码生成等技术，典型热点函数的执行速度提升3倍甚至更高并不罕见——有人测得Viper模式相比普通循环可达约30倍加速。本文按"先测量、再优化"的思路，梳理一套可落地的性能提升方案。
第一步：用utime定位真瓶颈
盲目优化是浪费时间。MicroPython的utime模块提供微秒级计时，配合装饰器可快速定位慢函数：
import utime
def timed_function(f, *args, **kwargs):
def new_func(*args, **kwargs):
t = utime.ticks_us()
result = f(*args, **kwargs)
delta = utime.ticks_diff(utime.ticks_us(), t)
print('函数 {} 耗时 = {:.3f}ms'.format(f.__name__, delta/1000))
return result
return new_func
@timed_function
def my_algorithm(data):
# 待测代码
return result
官方文档明确建议：先找到最慢的函数或方法，再针对性优化。
第二步：const()消除字典查找
MicroPython访问全局变量需要从字典中查找，在循环中开销会被放大。const()声明让编译器在编译期直接用字面量替换标识符，彻底消除运行时查找：
from micropython import const
MAX_COUNT = const(10000) # 编译时替换为10000
BUFFER_SIZE = const(256)
for i in range(MAX_COUNT):
# 每次循环不再查字典
pass
const()的用法类似C语言的#define，是低成本高收益的优化。
第三步：局部变量缓存
MicroPython中局部变量访问比全局变量/属性访问更快。在热点循环中，把频繁访问的属性缓存到局部变量：
def process(self, n):
# 慢：每次循环都要查找self.data
# for i in range(n):
# total += self.data[i]
# 快：缓存到局部变量
data = self.data
total = 0
for i in range(n):
total += data[i]
return total
第四步：预编译为.mpy字节码
MicroPython执行.py文件时会先编译为字节码。用mpy-cross在PC上预编译，可减少设备上的编译时间，加快加载速度：
mpy-cross main.py # 生成main.mpy
将.mpy文件上传到设备运行，启动更快、体积更小。
第五步：@micropython.native —— 轻松获得数倍加速
对于计算密集的函数，加上@micropython.native装饰器，编译器会将其转为原生机器码：
import micropython
@micropython.native
def native_loop():
x = 0
for i in range(1000000):
x += 1
return x
在ESP32 240MHz上的实测参考：普通循环约4500ms，native约2600ms，约1.7倍加速。native几乎兼容所有Python语法，是性价比最高的优化手段。
第六步：@micropython.viper —— 接近C的速度
Viper是更激进的优化器，通过类型注解和指针操作，可让热点代码接近C语言速度：
@micropython.viper
def viper_sum(arr, n: int) -> int:
sum = 0
ptr = ptr8(arr) # 将缓冲区转为字节指针
for i in range(n):
sum += ptr[i]
return sum
ESP32实测：同样的百万次循环，Viper仅需约150ms，相比普通循环的4500ms达到约30倍加速。
Viper的关键特性：
支持int、uint、ptr8、ptr16、ptr32等类型
指针提供对连续内存的直接访问，无边界检查
函数最多4个参数，不支持默认参数
浮点可用但未优化
⚠️ Viper模式下编程类似"裸金属"操作，指针越界会直接导致MCU复位重启。指针操作有风险，且寄存器级代码不具可移植性。
第七步：避免循环内分配内存
堆分配和GC是MCU上的性能杀手：
用bytearray配合memoryview做零拷贝切片
避免在循环中拼接字符串，使用b"abc"字节串字面量可跳过字符串驻留检查，速度更快
处理完大数据后手动调用gc.collect()
优化效果参考
优化手段 典型加速比 适用场景
const() 消除字典查找 全局常量
局部变量缓存 10%-30% 热点循环
.mpy预编译 加快启动 大型脚本
@native 约2-5倍 数学计算密集
@viper 可达数倍到数十倍 数值循环、位操作、软件SPI
注：加速比因平台、代码而异，需实测验证。
写在最后
MicroPython性能优化的黄金法则是先测量、再优化：用utime找到真瓶颈，用const()和局部变量做基础优化，用@micropython.native获得安全的数倍加速，最后才对最热的数值循环动用@micropython.viper。把这套组合拳用对地方，让你的Python在MCU上跑出"3倍速"甚至更高，绝非难事——前提是别在配置WiFi、处理MQTT这些本就不耗时的代码上过度优化。
下载文档
