我有一个示例代码来说明我的问题。如果你运行:
import numpy as np
from numba import jit
@jit(nopython=True)
def test():
arr = np.array([[[11, 12, 13], [11, 12, 13]], [[21, 22, 23], [21, 22, 23]]])
arr2 = arr[:, 0, :]
arr3 = arr2.argsort()
print(arr3)
test()
它会失败:
numba.core.errors.TypingError: Failed in nopython mode pipeline (step: nopython frontend)
Invalid use of BoundFunction(array.argsort for array(int64, 2d, A)) with parameters ()
During: resolving callee type: BoundFunction(array.argsort for array(int64, 2d, A))
During: typing of call at /home/stark/Work/mmr6/test.py (41)
File "test.py", line 41:
def test():
<source elided>
arr3 = arr2.argsort()
^
argsort 应该在最后一个轴上进行 argsort。基本上它应该给我:
>>>
[[0 1 2]
[0 1 2]]
我认为复制 arr2
数组(使用 copy()
)可以解决,因为它会使数组在内存中连续(而不是视图),但它失败并显示相同的消息,只是类型不同消息中的 arr2
现在符合预期的 array(int64, 2d, C)
。
为什么会失败,我该如何解决?
答案 0 :(得分:3)
遗憾的是,这是目前已知的 Numba 限制。见this issue。目前只支持一维数组。但是,您的情况有一个简单的解决方法:
import numpy as np
from numba import jit
@jit(nopython=True)
def test():
arr = np.array([[[11, 12, 13], [11, 12, 13]], [[21, 22, 23], [21, 22, 23]]])
arr2 = arr[:, 0, :]
arr3 = np.empty(arr2.shape, dtype=arr2.dtype)
for i in range(arr2.shape[0]):
arr3[i] = arr2[i, :].argsort()
print(arr3)
test()
请注意,即使实现了,也不会更快。见this issue。实际上,对于任何给定的 Numpy 原语,Numba 没有理由更快。但是,您可以使用 Numba 手动编写自己的 Numpy 原语版本,有时由于算法专业化、并行性或数学优化(例如快速数学),速度会有所提高。当您想要执行 Numpy 中尚未/直接可用的有效操作时,Numba 通常非常有用,并且可以使用循环轻松实现此操作。
实际上,假设 prange
尚未并行运行,您可以使用 Numba 的 parallel=True
和 JIT 参数 argsort
来加快计算速度(AFAIK 它应该是顺序的) .这应该比在大数组上(在小数组上,产生多个线程的成本可能大于实际计算的成本)上的 Numpy 实现(也不应该按顺序运行)快一点。