numba：编译Python数组和数值计算函数的编译器

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

---

1 numba介绍

numba是一个用于编译Python数组和数值计算函数的编译器，这个编译器能够大幅提高直接使用Python编写的函数的运算速度。

numba使用LLVM编译器架构将纯Python代码生成优化过的机器码，通过一些添加简单的注解，将面向数组和使用大量数学的python代码优化到与c，c++和Fortran类似的性能，而无需改变Python的解释器。numba的编译方式如下图所示：

为什么选择numba?

虽然有 cython 和 Pypy 之类的许多其他编译器，选择Numbade 原因很简单，不必离开 python 代码的舒适区，不需要为了获得一些的加速来改变您的代码，我们只需要添加一个装饰器到Python函数中即可完成加速，而且加速效果与cython代码相当。

2.numba的使用方法

numba对代码进行加速时，给要优化的函数加上@jit优化器即可。使用jit的时候可以让numba来决定什么时候以及怎么做优化。如下简单的例子所示：

from numba import jit
@jit
def f(x, y):
    return x + y
print(f(1,2))

这段代码的计算在被调用是第一次执行，numba将在调用期间推断参数类型，然后基于这个信息生成优化后的代码。numba也能够基于输入的类型编译生成特定的代码。例如，对于上面的代码，传入整数和浮点数作为参数将会生成不同的代码：

Numba编译的函数可以调用其他编译函数。 例如:

from numba import jit
import math
import numpy

@jit
def hypot(x, y):
    return math.sqrt(numpy.square(x) + numpy.square(y))
print(hypot(1,2))

我们现在看一个例子：

from numba import jit
import time
@jit
def foo():
    x = []
    for a in range(100000000):
        x.append(a)

def foo_withoutfit():
    y = []  
    for b in range(100000000):
        y.append(b)

现在我们定义相同的方法，实现的功能也是一样的，一个是利用numba进行加速，一个没有加速，我们看下他们的运行时间：

总结

1. numba是进行python加速的工具包
2. 在要进行加速的python函数中添加装饰器@jit即可实现代码的加速

---

from numba import jit
import math
import numpy

@jit
def f(x, y):
    return x + y
print(f(1,2)) #3

@jit
def hypot(x, y):
    return math.sqrt(numpy.square(x) + numpy.square(y))
print(hypot(1,2)) #2.23606797749979

from numba import jit
import time
@jit
def foo():
    x = []
    for a in range(100000000):
        x.append(a)

def foo_withoutfit():
    y = []
    for b in range(100000000):
        y.append(b)
"""
这不是python的语复法，是ipython的特殊功能，用于测试语句运行的时间。
ipython安装：pip install ipython.
打开ipython：命令行输制入ipython就可以了。
"""
# In [2]: %time foo()
# Wall time: 2.64 s
# In [3]: %time foo_withoutfit()
# Wall time: 7.49 s

---

In [4]:

from numba import jit

import time

In [6]:

@jit

def foo():

    x=[]

    for a in range(100000000):

        x.append(a)

In [7]:

def foo_withoutfit():

    y=[]

    for b in range(100000000):

        y.append(b)

In [8]:

%time foo()

CPU times: user 2.05 s, sys: 324 ms, total: 2.37 s
Wall time: 2.11 s

In [9]:

%time foo_withoutfit()

CPU times: user 8.41 s, sys: 2.25 s, total: 10.7 s
Wall time: 10.7 s