Question

给定矩形(x1, y1)和(x2, y2)以及两个半径r1和r2的两个相对角，找到半径定义的圆之间的点的比率r1和r2到矩形中的总点数。

简单的NumPy方法：

def func_1(x1,y1,x2,y2,r1,r2,n):
     x11,y11 = np.meshgrid(np.linspace(x1,x2,n),np.linspace(y1,y2,n))
     z1 = np.sqrt(x11**2+y11**2)
     a = np.where((z1>(r1)) & (z1<(r2)))
     fill_factor = len(a[0])/(n*n)
     return fill_factor

接下来，我尝试使用来自numba的jit装饰器来优化此功能。当我使用时：

nopython = True

功能更快，输出正确。但是当我还添加：

parallel = True

功能更快但结果错误。我知道这与我的z矩阵有关，因为它没有正确更新。

@jit(nopython=True,parallel=True)
def func_2(x1,y1,x2,y2,r1,r2,n):
    x_ = np.linspace(x1,x2,n)
    y_ = np.linspace(y1,y2,n)
    z1 = np.zeros((n,n))
    for i in range(n):
        for j in range(n):
            z1[i][j] = np.sqrt((x_[i]*x_[i]+y_[j]*y_[j]))
    a = np.where((z1>(r1)) & (z1<(r2)))
    fill_factor = len(a[0])/(n*n)
    return fill_factor

测试值：

x1 = 1.0
x2 = -1.0
y1 = 1.0
y2 = -1.0
r1 = 0.5
r2 = 0.75
n = 25000

其他信息：Python版本：3.6.1，Numba版本：0.34.0 + 5.g1762237，NumPy版本：1.13.1

Answer 1

parallel=True的问题在于它是一个黑盒子。 Numba甚至不保证它会实际并行化。它使用启发式方法来确定它是否可并行化以及可以并行完成的内容。这些可能会失败，在您的示例中，它们会失败，就像在my experiments with parallel and numba中一样。这使parallel不值得信任，我会建议反对使用它！

在较新版本（0.34）中添加了prange，您可以获得更多运气。在这种情况下无法应用它，因为prange的工作方式与range类似，而且与np.linspace不同...

只需注意：您可以完全避免构建z并在函数中执行np.where，您可以明确地执行检查：

import numpy as np
import numba as nb

@nb.njit   # equivalent to "jit(nopython=True)".
def func_2(x1,y1,x2,y2,r1,r2,n):
    x_ = np.linspace(x1,x2,n)
    y_ = np.linspace(y1,y2,n)
    cnts = 0
    for i in range(n):
        for j in range(n):
            z = np.sqrt(x_[i] * x_[i] + y_[j] * y_[j])
            if r1 < z < r2:
                cnts += 1
    fill_factor = cnts/(n*n)
    return fill_factor

与你的功能相比，这也应该提供一些加速，甚至可能比使用parallel=True更多（如果它能正常工作）。

在numba.jit decoratior中使用parallel选项会使函数给出错误的结果

1 个答案: