长尾小鹦鹉与Numba有何不同？因为我没有看到某些NumPy表达式有任何改进

Question

我想知道是否有人知道长尾小鹦鹉和Numba jit之间的一些关键区别？我很好奇，因为我正在比较Numexpr与Numba和长尾小鹦鹉，以及这个特殊的表达式（我希望在Numexpr上表现得非常好，因为它是文档中提到的那个）

结果是

和我测试的函数（通过timeit - 最少3次重复，每个函数10次循环）

import numpy as np
import numexpr as ne
from numba import jit as numba_jit
from parakeet import jit as para_jit


def numpy_complex_expr(A, B):
    return(A*B-4.1*A > 2.5*B)

def numexpr_complex_expr(A, B):
    return ne.evaluate('A*B-4.1*A > 2.5*B')

@numba_jit
def numba_complex_expr(A, B):
    return A*B-4.1*A > 2.5*B

@para_jit
def parakeet_complex_expr(A, B):
    return A*B-4.1*A > 2.5*B

如果你想仔细检查机器上的结果，我也可以抓住IPython nb。

如果有人想知道Numba是否安装正确......我想是的，它在我以前的基准测试中表现如预期的那样：

Answer 1

截至目前发布的Numba（您在测试中使用），对{umpuncs'具有@jit功能的支持不完整。另一方面，您可以更快地使用@vectorize：

import numpy as np
from numba import jit, vectorize
import numexpr as ne

def numpy_complex_expr(A, B):
    return(A*B+4.1*A > 2.5*B)

def numexpr_complex_expr(A, B):
    return ne.evaluate('A*B+4.1*A > 2.5*B')

@jit
def numba_complex_expr(A, B):
    return A*B+4.1*A > 2.5*B

@vectorize(['u1(float64, float64)'])
def numba_vec(A,B):
    return A*B+4.1*A > 2.5*B

n = 1000
A = np.random.rand(n,n)
B = np.random.rand(n,n)

计时结果：

%timeit numba_complex_expr(A,B)
1 loops, best of 3: 49.8 ms per loop

%timeit numpy_complex_expr(A,B)
10 loops, best of 3: 43.5 ms per loop

%timeit numexpr_complex_expr(A,B)
100 loops, best of 3: 3.08 ms per loop

%timeit numba_vec(A,B)
100 loops, best of 3: 9.8 ms per loop

如果你想充分利用numba，那么你想要展开任何矢量化操作：

@jit
def numba_unroll2(A, B):
    C = np.empty(A.shape, dtype=np.uint8)
    for i in xrange(A.shape[0]):
        for j in xrange(A.shape[1]):
            C[i,j] = A[i,j]*B[i,j] + 4.1*A[i,j] > 2.5*B[i,j]

    return C

---

%timeit numba_unroll2(A,B)
100 loops, best of 3: 5.96 ms per loop

另请注意，如果将numexpr使用的线程数设置为1，那么您将看到它的主要速度优势是它的并行化：

ne.set_num_threads(1)
%timeit numexpr_complex_expr(A,B)
100 loops, best of 3: 8.87 ms per loop

默认情况下，numexpr使用ne.detect_number_of_cores()作为线程数。对于我在我的机器上的原始计时，它使用的是8.