numba加速

1. 安装
   如果安装过anaconda以及tensorflow等软件，numba可能已经在环境中了。先检查避免重复安装。
   直接利用conda或者pip即可安装:

   $ conda install numba
   $ pip install numba

GPU 安装请注意驱动！!

对于NvidiaGPU需要安装驱动和CUDA（推荐CUDA 8.0 or later）

#官网介绍：conda直接安装cudatoolkit即可，无需安装cuda
$ conda install cudatoolkit
但*pip安装可能需要自行安装cuda，并设置环境变量

NUMBAPRO_CUDA_DRIVER :Path to the CUDA driver shared library file
NUMBAPRO_NVVM :Path to the CUDA libNVVM shared library file
NUMBAPRO_LIBDEVICE :Path to the CUDA libNVVM libdevice directory which contains .bc files

最后使用:numba -s来查看安装情况。

对于numba，如果安装不便的情况下可以使用云服务或者在线notebook来学习, 以及一个GPU的notebook

2.基本使用
Numba主要使用修饰器来对python函数进行编译加速，其中包括了@jit,@vectorize,@cuda.jit等常用修饰器。

import numpy as np

def my_add(a,b):
    return a+b

使用Numpy加速：

from numba import jit
#利用jit编译加速 cpu
@jit
def my_numba_add(x, y):
    return x + y

测试一下函数的表现

#在jupyter 中可以使用%timeit来测试

import time
def test(n):
    a = np.array((n))
    b = np.array((n))
    tic1 = time.time()
    my_add(a,b)
    t1 = time.time()-tic1
    print('python time:',t1)
	
    tic2 = time.time()
    my_numba_add(a,b)
    t2 = time.time()-tic2
    print('Numba time:',t2)
    print('Numba acclerated %f times'%(t1/t2))

#由于计算比较简单，获得的加速比并不大。有兴趣可以加入复杂运算做测试

>>>test(1000)
python time: 2.956390380859375e-05
Numba time: 1.7881393432617188e-05
Numba acclerated 1.653333 times