Question

我是numba的新手，并尝试使用@jit来加速Python程序，但这只会影响我的代码。当我的代码调用另一个子例程时，似乎这个子例程在执行之前没有得到优化。

当然我可以@jit修饰所有函数，但是当涉及到我只消耗的函数（没有自己开发）时，这是有限的。

请参阅以下基于π的Leibniz公式的示例。

def leibniz1(n):
    operand = 1.0
    result = 0.0
    for i in xrange(1, n*2, 2):
        result += operand / i
        operand = - operand
    return result * 4

leibniz1的运行时间（10000000）：约。 0.8秒

当我添加

from numba import jit, int32

并使用@jit

修饰函数

@jit
def leibniz2(n):
    operand = 1.0
    result = 0.0
    for i in xrange(1, n*2, 2):
        result += operand / i
        operand = - operand
    return result * 4

10000000次迭代的运行时间减少到大约。 0.1秒。

问题出现在这里：

@jit
def leibniz3(n):
     return leibniz1(n)

我希望leibniz3得到优化，leibniz1也是如此 - 因为它是从优化函数中调用的。但情况并非如此，运行时间再次约为。 0.8秒，这是纯粹的leibniz1值。

有没有机会用numba或类似的东西实现我的计划，因为我不能@jit装饰我的程序所依赖的所有功能，因为它们不是来自我。

Answer 1

首先，我建议使用nopython参数：

@jit(nopython=True)
def f(x):
    ....

这样就可以强制C / Fortran编译函数，如果失败则会出现显式错误。来自Documentation：

Numba有两种编译模式：nopython模式和对象模式。前者产生更快的代码，但有一些限制可以迫使Numba回到后者。为防止Numba退回，而是引发错误，请传递nopython = True。

同样在文件中说明：

必须将@jit装饰器添加到任何此类库函数中，否则Numba可能会生成更慢的代码。

基本上你的问题就像你想在纯C / Fortran中用高级语言调用一个函数一样。所以不幸的是，据我所知，没有其他解决办法，只能重新实现你的贴近机器代码中的其他功能。

为什么numba不优化代码中调用的子程序？

1 个答案: