Question

这是我的代码：

@numba.jit( )
def dis4(x1,x2):
    s=0.0
    for i in range(len(x1)):
        s+=(x1[i]-x2[i])**2
    return math.sqrt(s)
x1=[random.random() for _ in range(m)]
x2=[random.random() for _ in range(m)]
%timeit dis4(x1,x2)

每个循环3.32 ms±37.8 µs（平均±标准偏差，共运行7次，每个循环100个循环）

相反，如果没有jit，它将更快。

每个循环137 µs±1.62 µs（平均±标准偏差，共运行7次，每个10000个循环）

Answer 1

速度较慢，因为numba（无声）复制了列表。

要了解为什么为什么，您需要知道numba具有对象模式和nopython模式。在对象模式下，它可以在Python数据结构上运行，但是它不会比普通的Python函数快得多，甚至不会慢（至少在一般情况下，有非常罕见的例外）。在nopython模式下，numba无法对list之类的Python数据结构进行操作，因此，为了使list正常工作，它必须使用非Python列表。要从Python列表中创建这样的非Python列表（称为反射列表），必须复制并转换列表内容。

这种复制和转换会使您的情况变慢得多。

这也是为什么通常应该避免使用非数组参数或使用numba函数返回的原因。数组的内容不需要进行转换，至少在numba支持数组的dtype的情况下，这样才是“安全的”。

如果将这些数据结构（列表，元组，集合）限制在numba中，则它们很好-但是，当这些数据结构超出numbaPython边界时，则必须复制它们（几乎）总是使所有性能提升无效。

仅演示函数如何对数组执行：

import math
import random
import numba as nb
import numpy as np

def dis4_plain(x1,x2):
    s=0.0
    for i in range(len(x1)):
        s+=(x1[i]-x2[i])**2
    return math.sqrt(s)

@nb.jit
def dis4(x1,x2):
    s=0.0
    for i in range(len(x1)):
        s+=(x1[i]-x2[i])**2
    return math.sqrt(s)

m = 10_000
x1 = [random.random() for _ in range(m)]
x2 = [random.random() for _ in range(m)]
a1 = np.array(x1)
a2 = np.array(x2)

时间：

dis4(x1, x2)
dis4(a1, a2)

%timeit dis4_plain(x1, x2)
# 2.71 ms ± 178 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit dis4(x1, x2)
# 24.1 ms ± 279 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit dis4(a1, a2)
# 14 µs ± 608 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

因此，使用列表和numba.jit的速度要慢10倍，而使用数组的jitted函数要比使用列表的Python函数快200倍。

为什么在使用列表时用numba计算总和比较慢？

1 个答案: