Numba：加速python代码

当代码中有很多math计算，使用numpy或者有很多loops时，numba可以加速代码

最基础的是numba jit修饰器@jit

from numba import jit import numpy as np x = np.arange(100).reshape(10, 10) @jit(noPython=True) # Set "nopython" mode for best performance, equivalent to @njit def go_fast(a): # Function is compiled to machine code when called the first time，第一次运行会被编译成机器码 trace = 0.0 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))

@jit以两种编译模式进行，nopython编译模型实质上是编译经过修饰的函数，使得函数可以直接运行而不需要python解释器（在命令行下运行python就是启动cython解释器，cython是使用最广的python解释器）的参与。

numba读取装饰函数的python字节码，并结合输入参数类型，使用LLVM编译器生成针对cpu功能量身定制的机器代码版本，然后每次调用函数会使用编译版本

numba也可以实现CUDA编程，可以使用纯python编写的内核，并让numba处理计算和数据移动

loop

在IEEE 754合规性不太重要时，可以放宽数字上的严谨性，来获得额外的性能，实现方式为 fastmath=True

如果代码包含可并行化操作，numba可以编译多线程版本，实现方式为parallel=True

按元素或按点数组操作

一元运算符： + - ~

二进制运算符： + - * / % | >> << ^ & // **

比较运算符：== != < > <= >=

在nopython模式下支持Numpy ufuncs

用户DUFunc通过定义vectorize()

numpy的规约函数sum prod min max argmin argmax

numpy dot

维度相同时，多维数组也支持以上操作，不支持混合维度数组进行numpy广播，也不支持选定维度上进行规约

语言

支持的结构

if ... elif ... else ...

while for .. in break continue

yield

assert

部分受支持的结构

try .. except raise else finally

上下文管理器

列表理解

不支持的构造

异步

类定义

集合，字典，生成器理解

发电机委托 yield from

内置类型

元祖

列表

字典等

标量类型

整数

布尔

实数复数等

数组类型

阵列存取

属性

shape size ndim dtype等

计算

all() any() argmax() argmin() mean() min()等

其他方法

argsort()

astype() （仅一个参数形式）

copy() （无参数）

dot() （仅一个参数）等

基本线性代数

在浮点数和复数的一维和二维连续数组上支持

其他功能

numpy.append()

numpy.arange()

numpy.ones() 等

参考文档：https://numba.readthedocs.io/en/stable/reference/numpysupported.html

Numpy Python

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。