python由于它动态解释性语言的特性,跑起代码来相比java、c++要慢很多,尤其在做科学计算的时候,十亿百亿级别的运算,让python的这种劣势更加凸显。 办法永远比困难多,numba就是解决python慢的一大利器,可以让python的运行速度提升上百倍! 1 什么是numba? numba是一款可以将python函数编译为机器代码的JIT编译器,经过numba编译的python代码(仅限数组运算),其运行速度可以接近C或FORTRAN语言。 python之所以慢,是因为它是靠CPython编译的,numba的作用是给python换一种编译器。 python、c、numba三种编译器速度对比 使用numba非常简单,只需要将numba装饰器应用到python函数中,无需改动原本的python代码,numba会自动完成剩余的工作。 import numpy as np import numba from numba import jit
@jit(nopython=True) # jit,numba装饰器中的一种 def go_fast(a): # 首次调用时,函数被编译为机器代码 trace = 0 # 假设输入变量是numpy数组 for i in range(a.shape[0]): # Numba 擅长处理循环 trace += np.tanh(a[i, i]) return a + trace 以上代码是一个python函数,用以计算numpy数组各个数值的双曲正切值,我们使用了numba装饰器,它将这个python函数编译为等效的机器代码,可以大大减少运行时间。 2 numba适合科学计算 numpy是为面向numpy数组的计算任务而设计的。 在面向数组的计算任务中,数据并行性对于像GPU这样的加速器是很自然的。Numba了解NumPy数组类型,并使用它们生成高效的编译代码,用于在GPU或多核CPU上执行。特殊装饰器还可以创建函数,像numpy函数那样在numpy数组上广播。 什么情况下使用numba呢?
3 学习使用numba 第一步:导入numpy、numba及其编译器
第二步:传入numba装饰器jit,编写函数 # 传入jit,numba装饰器中的一种 @jit(nopython=True) def go_fast(a): # 首次调用时,函数被编译为机器代码 trace = 0 # 假设输入变量是numpy数组 for i in range(a.shape[0]): # Numba 擅长处理循环 trace += np.tanh(a[i, i]) # numba喜欢numpy函数 return a + trace # numba喜欢numpy广播
第三步:给函数传递实参
第四步:经numba加速的函数执行时间 % timeit go_fast(x) 输出: 3.63 µs ± 156 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each) 第五步:不经numba加速的函数执行时间 def go_fast(a): # 首次调用时,函数被编译为机器代码 trace = 0 # 假设输入变量是numpy数组 for i in range(a.shape[0]): # Numba 擅长处理循环 trace += np.tanh(a[i, i]) # numba喜欢numpy函数 return a + trace # numba喜欢numpy广播
x = np.arange(100).reshape(10, 10) %timeit go_fast(x) 输出: 136 µs ± 1.09 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each) 结论: 在numba加速下,代码执行时间为3.63微秒/循环。不经过numba加速,代码执行时间为136微秒/循环,两者相比,前者快了40倍。 4 numba让python飞起来 前面已经对比了numba使用前后,python代码速度提升了40倍,但这还不是最快的。 这次,我们不使用numpy数组,仅用for循环,看看nunba对for循环到底有多钟爱!
输出: 408 µs ± 9.73 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) # 使用numba的情况 @jit(nopython=True) def t(): x = 0 for i in np.arange(5000): x += i return x %timeit(t())
5 结语 |
|