使用numba.jit加速代码

Question

我正在尝试使用 numba.jit 来加速python程序。

我程序的一个函数乘以一个float s数组和一个标量，它总是一个整数。

import numpy
myarray = numpy.array([0.2,0.26,0.45,0.78],dtype=float)

def multiply(array, scalar):
    newarray = array * scalar
    return newarray

newarray = multiply(myarray,5)

当我numba.jit()我的函数具有以下签名时，该函数运行速度慢一个数量级：

fastmultiply = numba.jit("f4[:](f4[:],int8)")(multiply)

这是因为我声明了错误的数据类型： f4[:] 和 int8 ？

或者我的函数编码方式不允许使用numba.jit()？

加速

Answer 1

努力的经济性v / s生成的jit - 代码重用的数量

JIT 可以提供帮助，因为重复使用的数量证明了即时编译的成本。

因为.jit()编译器处理源代码，所以代码的第一次运行会变得更长。

谨防经济努力 - 对于＆＃34;短＆＃34;代码这可能比最终的jit编译产品要长几个数量级，因此只有拥有数百万次重用案例时，调整这样的初始机会成本惩罚才可能变得合理。

对于更多计算密集型的＆＃34;代码，通常是一个非平凡的卷积，迭代重新处理方法等，即使对于单个案例，jit-compilation的成本也可能是合理的。

@numba.jit() signatures

嗯，这是一个单独的主题，错误的类型可能会使您的处理暂停。

明确的.jit()签名或.autojit()？这就是哈姆雷特的难题。

嗯，这取决于您的偏好。应收集关于初始呼叫/重用呼叫的定量证据＆＃39;任何一种方法的持续时间，并根据预期的再利用呼叫量（成本/效益不平等）来决定。

#numba.jit( 'f4[:](i4,f4[:])' )                              # .float32 # [DONE] PERF.ToDo.MS:
#numba.jit( 'f4[:](i8,f8[:])' )                   # .float32 # .float64 # [DONE] PERF.ToDo.MS:
@jit(       'f8[:](i8,f8[:])' )                              # .float64 # [DONE] PERF.ToDo.MS:
def numba_EMA_fromPrice( N_period, aPriceVECTOR ):                      # TEST:         perf (non)-jit Stopwatch.start();;Stopwatch.stop()
    ...

# @numba.jit [usec]----------------------------------------- PERFORMANCE PROFILING
aClk.start();numba_EMA_fromPrice( 8, price_H4_CLOSE );aClk.stop()
Out[112]: 160814L                         # 1. JIT-compile
Out[113]:    331L                         # re-use 0.3xy[ms] v/s 11.5[ms] CPython
Out[114]:    311L
Out[115]:    324L
#
# @numba.guvectorize()
# @numba.jit( nogil = True )              # JIT w/o GIL-lock w/ multi-CORE ** WARNING: ThreadSafe / DataCoherency measures **
aClk.start();numba_EMA_fromPrice( 8, price_H4_CLOSE );aClk.stop()
Out[126]: 149929L                         # 1. JIT-compile
Out[127]:    284L                         # re-use 0.28[ms] v/s 11.5[ms] CPython
Out[128]:    256L

需要分析/调整的autojit()签名的额外费用可能会影响成本/收益不平等的优势。

.jit()明确签名的

维护可能会让人头疼。

小心点：

首先，np.float 不 f4

|>>> np.arange( 2, dtype = float ).dtype
dtype('float64')

下一步，有些情况（np.nan_to_num()就是其中之一），可能会收到＆＃34; 默默地＆＃34;将dtype 提升为np.float64，这可能会导致头痛，因为找到了dtype与numba.jit()显式签名发生冲突的地方。