我正在尝试并行化一个运行在许多独立数据集上的蒙特卡罗模拟.我发现numba的并行执行是几乎比numba jit实现快了30-40%.
我在Stackoverflow中找到了这些(1,2)可比较的主题,但他们并没有真正回答我的问题.在第一种情况下,实现由于回到对象模式而减慢,在第二种情况下,原始海报没有正确使用guvectorize – 这些问题都不适用于我的代码.
为了确保我的代码没有问题,我创建了这个非常简单的代码来比较jit到guvectorize:
import timeit
import numpy as np
from numba import jit, guvectorize
#both functions take an (m x n) array as input, compute the row sum, and return the row sums in a (m x 1) array
@guvectorize(["void(float64[:], float64[:])"], "(n) -> ()", target="parallel", nopython=True)
def row_sum_gu(input, output) :
output[0] = np.sum(input)
@jit(nopython=True)
def row_sum_jit(input_array, output_array) :
m, n = input_array.shape
for i in range(m) :
output_array[i] = np.sum(input_array[i,:])
rows = int(64) #broadcasting (= supposed parallellization) dimension for guvectorize
columns = int(1e6)
input_array = np.ones((rows, columns))
output_array = np.zeros((rows))
output_array2 = np.zeros((rows))
#the first run includes the compile time
row_sum_jit(input_array, output_array)
row_sum_gu(input_array, output_array2)
#run each function 100 times and record the time
print("jit time:", timeit.timeit("row_sum_jit(input_array, output_array)", "from __main__ import row_sum_jit, input_array, output_array", number=100))
print("guvectorize time:", timeit.timeit("row_sum_gu(input_array, output_array2)", "from __main__ import row_sum_gu, input_array, output_array2", number=100))
这给我以下输出(时间有所不同):
jit time: 12.04114792868495
guvectorize time: 5.415564753115177
因此,并行代码再次快两倍(只有当行数是CPU内核数的整数倍时,否则性能优势会减弱),即使它使用所有cpu内核,而jit代码只使用一个(使用htop验证).
我在一台配有4x AMD Opteron 6380 CPU(总共64个内核),256 GB RAM和Red Hat 4.4.7-1操作系统的机器上运行.
我使用Anaconda 4.2.0与Python 3.5.2和Numba 0.26.0.
我如何进一步提高并行性能或我做错了什么?
谢谢你的答案.