微信公众号搜"智元新知"关注
微信扫一扫可直接关注哦!

Python的运行速度慢!这点是公认的,加上这操作快N倍!你信吗?

Python的运行速度慢!这点是公认的,加上这操作快N倍!你信吗?

开箱即用的Numba使用以下方法

  • 操作系统:Windows(32位和64位),OSX和Linux(32位和64位)
  • 架构:x86,x86_64,ppc64le。 在armv7l,armv8l(aarch64)上进行实验。
  • GPU:Nvidia CUDA。 AMD ROC的实验。
  • cpython的
  • NumPy 1.10 - 最新

1.1.1。 我怎么得到它?

Numba可作为 畅达 包为 蟒蛇Python发布 :

$ conda install numba

Numba还有pip可供选择:

$ pip install numba

Numba也可以 从源代码编译 ,虽然我们不建议首次使用Numba用户

Numba通常用作核心包,因此其依赖性保持在绝对最小值,但是,可以按如下方式安装额外的包以提供其他功能

进群:548377875  即可获取小编精心整理的全套资料哦!还有大量的Pdf呢!

Python的运行速度慢!这点是公认的,加上这操作快N倍!你信吗?

Numba在代码看起来像这样:

from numba import jit
import numpy as np
x = np.arange(100).reshape(10,10)
@jit(nopython=True) # Set "nopython" mode for best performance
def go_fast(a): # Function is compiled to machine code when called the first time
 trace = 0
 for i in range(a.shape[0]): # Numba likes loops
 trace += np.tanh(a[i,i]) # Numba likes NumPy functions
 return a + trace # Numba likes NumPy broadcasting
print(go_fast(x))

对于看起来像这样的代码,如果有的话,它将无法正常工作:

from numba import jit
import pandas as pd
x = {'a': [1,2,3],'b': [20,30,40]}
@jit
def use_pandas(a): # Function will not benefit from Numba jit
 df = pd.DataFrame.from_dict(a) # Numba doesn't kNow about pd.DataFrame
 df += 1 # Numba doesn't understand what this is
 return df.cov() # or this!
print(use_pandas(x))

请注意,Numba不理解Pandas,因此Numba只是通过解释器运行此代码,但增加了Numba内部开销的成本!

1.1.3。 什么是 nopython 模式?

Numba @jit 装饰器从根本上以两种编译模式运行, nopython 模式和 object 模式。 在 go_fast 上面 的 例子中, nopython=True 在 @jit 装饰器中 设置 ,这是指示Numba在 nopython 模式下 操作 。 nopython 编译模式 的行为 本质上是编译装饰函数,以便它完全运行而不需要Python解释器的参与。 这是使用Numba jit 装饰器 的推荐和最佳实践方式, 因为它可以带来最佳性能

如果编译 nopython 模式失败,Numba可以编译使用 , 如果 没有设置 ,这是 装饰器的 后退模式 (如上 例所示)。 在这种模式下,Numba将识别它可以编译的循环并将它们编译成在机器代码中运行的函数,并且它将运行解释器中的其余代码。 为获得最佳性能,请避免使用此模式 objectmode @jit nopython=True use_pandas

1.1.4。 如何衡量Numba的表现?

首先,回想一下,Numba必须为执行函数的机器代码版本之前给出的参数类型编译函数,这需要时间。 但是,一旦编译完成,Numba会为所呈现的特定类型的参数缓存函数的机器代码版本。 如果再次使用相同的类型调用它,它可以重用缓存的版本而不必再次编译。

测量性能时,一个非常常见的错误是不考虑上述行为,并使用一个简单的计时器来计算一次,该计时器包括在执行时编译函数所花费的时间。

例如:

from numba import jit
import numpy as np
import time
x = np.arange(100).reshape(10,10)
@jit(nopython=True)
def go_fast(a): # Function is compiled and runs in machine code
 trace = 0
 for i in range(a.shape[0]):
 trace += np.tanh(a[i,i])
 return a + trace
# DO NOT REPORT THIS... COMPILATION TIME IS INCLUDED IN THE EXECUTION TIME!
start = time.time()
go_fast(x)
end = time.time()
print("Elapsed (with compilation) = %s" % (end - start))
# Now THE FUNCTION IS COMPILED,RE-TIME IT EXECUTING FROM CACHE
start = time.time()
go_fast(x)
end = time.time()
print("Elapsed (after compilation) = %s" % (end - start))

这,例如打印:

Elapsed (with compilation) = 0.33030009269714355
Elapsed (after compilation) = 6.67572021484375e-06

衡量Numba JIT对您的代码的影响的一个方法是使用 timeit 模块函数 来执行时间 ,这些函数测量多次执行迭代,因此可以在第一次执行时适应编译时间。

作为旁注,如果编译时间成为问题,Numba JIT支持 编译函数 的磁盘缓存 ,并且还具有 Ahead-Of-Time 编译模式。

1.1.5。 它有多快?

假设Numba可以在 nopython 模式下运行,或者至少编译一些循环,它将针对您的特定cpu进行编译。 加速因应用而异,但可以是一到两个数量级。 Numba有一个 性能指南 ,涵盖了获得额外性能的常用选项。

1.1.6。 Numba如何运作?

Numba读取装饰函数的Python字节码,并将其与有关函数输入参数类型的信息相结合。 它分析并优化您的代码,最后使用LLVM编译器库生成函数的机器代码版本,根据您的cpu功能量身定制。 每次调用函数时都会使用此编译版本。

1.1.7。 其他感兴趣的东西:

Numba有相当多的装饰,我们看到 @jit 和 @njit ,但也有:

一些装饰者提供额外选项:

ctypes / cffi / cython互操作性:

1.1.7.1。 GPU目标:

Numba可以针对 Nvidia CUDA 和(实验性) AMD ROC GPU。 您可以使用纯Python编写内核,让Numba处理计算和数据移动(或明确地执行此操作)。 单击关于 CUDA 或 ROC的 Numba文档 。

示例:接下来我们写一段简单的代码,来计算一下执行时间:

示例1:不使用numba的:

import time
def num():
 arr = []
 for i in range(10000000):
 arr.append(i)
stime = time.time()
num()
etime = time.time() - stime
# print(arr)
print('用时:{}秒'.format(etime))

示例输出时间:

用时:1.4500024318695068秒

示例2:使用numba @jit

import time
from numba import jit
@jit
def num():
 arr = []
 for i in range(10000000):
 arr.append(i)
stime = time.time()
num()
etime = time.time() - stime
# print(arr)
print('用时:{}秒'.format(etime))

示例输出:

用时:0.5530002117156982秒

结论:

上述两个示例代码一个使用了numba,另一个没有使用numba;可以看出使用numba @jit装饰后,时间明显快了很多倍。

这只是一个简单示例;对于复杂计算提高速度更明显。

Python的运行速度慢!这点是公认的,加上这操作快N倍!你信吗?

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。

相关推荐