Numba 是一个 Python JIT 编译器，能将计算密集型函数转换为机器码，大幅提升执行速度。通过简单的装饰器 @jit，无需离开 Python 代码舒适区，即可加速包括 numpy 库在内的计算。Numba 支持并行化、GPU 计算，并与其他工具如 cython、Pypy 相比，提供了更便捷的加速体验。@vectorize 装饰器允许将标量函数矢量化，适用于数组运算。同时，Numba 还提供了 CUDA 支持，允许在 GPU 上运行函数，进一步提升性能。
1. 介绍
Numba 是 python 的即时（Just-in-time）编译器，即当你调用 python 函数时，你的全部或部分代码就会被转换为“即时”执行的机器码，它将以你的本地机器码速度运行！它由 Anaconda 公司赞助，并得到了许多其他组织的支持。
在 Numba 的帮助下，你可以加速所有计算负载比较大的 python 函数（例如循环）。它还支持 numpy 库！所以，你也可以在你的计算中使用 numpy，并加快整体计算，因为 python 中的循环非常慢。你还可以使用 python 标准库中的 math 库的许多函数，如 sqrt 等。有关所有兼容函数的完整列表，请查看 此处。
2. 为什么选择 Numba？
那么，当有像 cython 和 Pypy 之类的许多其他编译器时，为什么要选择 numba？
原因很简单，这样你就不必离开写 python 代码的舒适区。是的，就是这样，你根本不需要为了获得一些的加速来改变你的代码，这与你从类似的具有类型定义的 cython 代码获得的加速相当。那不是很好吗？
你只需要添加一个熟悉的 python 功能，即添加一个包装器（一个装饰器）到你的函数上。类的装饰器也在开发中了。
所以，你只需要添加一个装饰器就可以了。例如：
cd ~/pythia/data
from numba import jit
@jit
def function(x):
# your loop or numerically intensive computations
return x
这仍然看起来像一个原生 python 代码，不是吗？
3. 如何使用 Numba？
Numba 使用 LLVM 编译器基础结构 将原生 python 代码转换成优化的机器码。使用 numba 运行代码的速度可与 C/C++ 或 Fortran 中的类似代码相媲美。
以下是代码的编译方式：
首先，Python 函数被传入，优化并转换为 numba 的中间表达，然后在类型推断（type inference）之后，就像 numpy 的类型推断（所以 python float 是一个 float64），它被转换为 LLVM 可解释代码。然后将此代码提供给 LLVM 的即时编译器以生成机器码。
最低0.47元/天 解锁文章
7899
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
