numba用户手册 4.性能提升

最新推荐文章于 2024-06-29 11:33:14 发布

tcy23456

最新推荐文章于 2024-06-29 11:33:14 发布

阅读量1.6k

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/tcy23456/article/details/103963024

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

性能提升



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

# 实例1：循环

@njit

def fun_np(x):                                                                          #没有Python模式 0.581s

    return np.cos(x) ** 2 + np.sin(x) ** 2                                  #numpy矢量运算高效



@njit                                                                                        #numba循环效率不错

def fun_loops(x):                                                                     #对象模式 0.670s

    r = np.empty_like(x)

    n = len(x)

    for i in range(n):

        r[i] = np.cos(x[i]) ** 2 + np.sin(x[i]) ** 2

    return r

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



# 实例2：fastmath(=False,严格的IEEE 754)



@njit(fastmath=False)

def sum_0(A):

    acc = 0.

    for x in A:                                                                              #没有速算fastmath这个循环必须按严格的顺序积累

        acc += np.sqrt(x)

    return acc                                                                             #35.2毫秒



@njit(fastmath=True)

def sum_0_fast(A):

    acc = 0.

    for x in A:                                                                              #对于速算reduction可以矢量化因浮点再关联是允许

        acc += np.sqrt(x)

    return acc                                                                             #17.8毫秒

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



# 实例3：提供一组LLVM快速操作标志来完成fastmath：

def add_llvm(x, y):

    return (x - y) + y



print(njit(fastmath=False)(add_llvm)(0, np.inf))                     # nan

print(njit(fastmath=True) (add_llvm)(0, np.inf))                     # 0.0

print(njit(fastmath={'reassoc', 'nsz'})(add_llvm)(0, np.inf))    # 0.0

print(njit(fastmath={'reassoc'})       (add_llvm)(0, np.inf))      # nan

print(njit(fastmath={'nsz'})           (add_llvm)(0, np.inf))         # nan

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

# 实例4：parallel=True如代码含可并行化操作则将在多个本机线程上并行(没GIL)



@njit(parallel=True)                                                                #函数执行速度大约是等效numpy的5倍,是standard的6倍 @njit

def fun_parallel(x):

    return np.cos(x) ** 2 + np.sin(x) ** 2                                   #112毫秒

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



# 实例5： 

numba并行执行还支持类似于OpenMP的显式并行循环声明.prange函数类似range,如parallel=True未设置则仅作为的别名range.

假设对总和进行无序累积是安全的,则n可以使用来并行化循环prange



@njit(parallel=True)

def fun_parallel_loops(A):                                                      # 每个线程都可以累积自己的部分和,然后执行交叉线程约简以获得返回的结果

    n = len(A)

    acc = 0.

    for i in prange(n):

        acc += np.sqrt(A[i])

    return acc                                                                           #9 .81毫秒



@njit(parallel=True, fastmath=True)

def fun_parallel_fast(A):

    n = len(A)

    acc = 0.

    for i in prange(n):

        acc += np.sqrt(A[i])

    return acc                                                                         #5.37毫秒

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



英特尔SVML

英特尔提供了一个简短的矢量数学库(SVML),其中包含大量优化的超越函数,可用作编译器内部函数.



conda install -c numba icc_rt



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