如何解决将 numba 用于树结构的准则是什么?
编辑:忘记多次运行 numba(哎呀!)
我已经将 namedtuple 和 Dict 的 numba 版本视为潜在的解决方案,但与它们的 Python 版本相比,它们似乎要慢得多(大约慢 10000 倍)。
import time
from numba import njit
from collections import namedtuple
Alpha = namedtuple("Alpha",["a","b","c"])
Regions = namedtuple("Regions","b"])
State = namedtuple("State",["H","L"])
Parameters = namedtuple("Parameters",["alpha","DB","beta","psi","pi","CC_opt"])
def timer_func(func):
def function_timer(*args,**kwargs):
start = time.time()
value = func(*args,**kwargs)
end = time.time()
runtime = end - start
msg = "{func} took {time} seconds to complete its execution."
print(msg.format(func=func.__name__,time=runtime))
return value
return function_timer
@timer_func
def build_params() -> Parameters:
alpha = Regions(
a=Alpha(0.5,0.5,0),b=Alpha(0.5,)
return Parameters(alpha=alpha,DB=State(0.0,0.0),beta=0.8,psi=0.0,pi=0.5,CC_opt=1.0)
@timer_func
@njit
def build_params_numba() -> Parameters:
alpha = Regions(
a=Alpha(0.5,CC_opt=1.0)
if __name__ == "__main__":
build_params()
build_params_numba()
build_params 用了 3.814697265625e-06 秒完成它的执行。
build_params_numba 用了 0.07473492622375488 秒完成它的执行。
编辑:
build_params_numba 用了 3.5762786865234375e-06 秒完成它的执行。
解决方法
最大的问题是您正在测量 build_params_numba
的第一次执行,其中包括编译(它按照您的要求实时编译)。这就像测量经典餐点和微波炉餐之间的晚餐时间,但是您将购买和安装微波炉的时间作为后者的一部分。 Measure the second invocation of build_params_numba
,当编译已经完成时,查看编译函数的执行情况。
第二个问题是 numba
可能对您的代码没有太大帮助。 AFAIK 它旨在加速数值算法和 numpy 代码。根据需要,namedtuple
和 dict
是 Python 数据结构,numba
必须这样对待它们;因此,即使您请求了 nopython 模式,Numba 也无法提供帮助,因为它仅在可以检测到代码中所有值的本机数据类型时才有效(我认为 - 虽然在这一点上不是 100% 确定)。>
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。