numba用户手册2.@jit

最新推荐文章于 2024-07-04 16:04:15 发布

tcy23456

最新推荐文章于 2024-07-04 16:04:15 发布

阅读量2.7k

点赞数 2

分类专栏： python

本文链接：https://blog.csdn.net/tcy23456/article/details/103962991

版权

python 专栏收录该内容

168 篇文章 20 订阅

订阅专栏

numba用户手册

2.@jit

1.1.@jit


import math

import numpy as np

import numba as nb

from numba.typed import List,Dict

from numba import jit,njit,int32,float32,float64




--------------------------------------------------------------------------------------------------------------


# 实例1.1：推断类型

@jit                                                           #支持所有类型(每次检查参数类型计算速度降低)编译将推迟到函数执行之前.

def f(x, y):return x + y


f(1j, 2)                                                       #根据输入类型来单独编译




--------------------------------------------------------------------------------------------------------------


# 实例1.2：给出函数类型

@jit("f8[:](f4,i4,i4)")

@jit(["int32(int32, int32)", "float32(float32, float32)"])

@jit(float64[:](float32,int32,nb.int_)) #返回1D数组

@jit("f8[:](f4,i4,i4)", nopython=True, nogil=True)

@jit("float64[:](float32,int32,int_)", nopython=True, nogil=True)

def fun_f(a, b, n):

    res = np.empty(n, dtype=np.float64)

    for i in range(n):

        res[i] = i*a+b

    return res




fun_f(11,22,2)




--------------------------------------------------------------------------------------------------------------


#实例1.3：list参数

@njit

def add_lst(lst,x):

    for i,v in enumerate(lst):lst[i]+=x

    return lst




nb_lst = nb.typed.List()

[ nb_lst.append(x) for x in [1,2,3]]

add_lst(nb_lst,100)                                #ListType[int64]([101, 102, 103])



--------------------------------------------------------------------------------------------------------------


#实例1.4：Numba编译函数可调用其他编译函数

@jit                                                           #其他函数必须被@jit装饰,否则Numba可产生慢得多的代码

def square(x):return x ** 2




@jit

def hypot(x, y):return math.sqrt(square(x) + square(y))



--------------------------------------------------------------------------------------------------------------


2.参数nogil                                             #将代码优化为仅适用于本机类型和变量,释放全局解释器锁(GIL)

@jit(nogil=True)                                    #警惕多线程编程的常见陷阱(一致性,同步,竞争条件等)

def f(x, y):

    return x + y



--------------------------------------------------------------------------------------------------------------


3.参数cache                                            #将函数编译结果写文件缓存,避免每次调用程序都编译


@jit(cache=True)

def f(x, y):

    return x + y



--------------------------------------------------------------------------------------------------------------


4.参数parallel=True+nopython=True #为具有并行语义函数中操作启用自动并行化


@jit(nopython=True, parallel=True)

def f(x, y):

    return x + y

--------------------------------------------------------------------------------------------------------------