Question

我正在为复杂的油藏运营问题开发优化代码。部分原因是我需要计算大量潜在解决方案的目标函数。我在Rosenbrock函数上测试优化器并尝试提高其速度。我注意到当我分析代码时，在for循环中计算目标函数是代码瓶颈之一，所以我开发了一种方法来并行处理多组决策变量。我有两个目标函数计算器：一组决策变量的FO和多组决策变量的P_FO。目标函数的计算是我的代码中最慢的部分之一，因此我想使用@jit进一步加快速度。我使用@jit测试了两个函数，并且发现使用@jit时P_FO函数比不使用它更慢。代码如下：

import time
import numpy as np
from numba import jit 

def FO(X):
    #Rosenbrock function
    ObjV=0
    for i in range(65-1):
        F=100*((X[i+1]-X[i]**2)+(X[i]-1)**2)
        ObjV+=F
    return ObjV

t0=time.time()
X=10+np.zeros(65)
for i in range(5000):
    FO(X)
t1 = time.time()
total = t1-t0
print("time FO="+str(total))

@jit
def FO(X):
    #Rosenbrock function
    ObjV=0
    for i in range(65-1):
        F=100*((X[i+1]-X[i]**2)+(X[i]-1)**2)
        ObjV+=F
    return ObjV

t0=time.time()
X=10+np.zeros(65)
for i in range(5000):
    FO(X)
t1 = time.time()
total = t1-t0
print("time FO with @jit="+str(total))



def P_FO(X):
    ObjV=np.zeros(X.shape[0])  
    for i in range(X.shape[1]-1):
        F=100*((X[:,i+1]-X[:,i]**2)+(X[:,i]-1)**2)
        ObjV+=F
    return ObjV       

t0=time.time()
X=10+np.zeros((65, 5000))
P_FO(X)
t1 = time.time()
total = t1-t0
print("time P_FO="+str(total))


@jit
def P_FO(X):
    ObjV=np.zeros(X.shape[0])  
    for i in range(X.shape[1]-1):
        F=100*((X[:,i+1]-X[:,i]**2)+(X[:,i]-1)**2)
        ObjV+=F
    return ObjV       

t0=time.time()
X=10+np.zeros((65, 5000))
P_FO(X)
t1 = time.time()
total = t1-t0
print("time P_FO with @jit="+str(total))

结果是：

time FO=0.523999929428
time FO with @jit=0.0720000267029
time P_FO=0.0380001068115
time P_FO with @jit=0.229000091553

有人能指出我为什么@jit会降低并行目标函数P_FO的原因吗？是因为使用了np.zeros还是array.shape（）？

Answer 1

numba函数是懒惰编译的，即直到第一次调用，所以你的时间是捕获一次性编译开销。如果我在运行计时部分之前调用每个函数一次，我得到：

time FO=0.4103426933288574
time FO with @jit=0.0020008087158203125
time P_FO=0.04154801368713379
time P_FO with @jit=0.004002809524536133

@jit放慢功能

1 个答案: