Python高性能計算庫——Numba

1.那麼到底什麼是Numba？

2.怎麼才能get到Numba呢？

安裝Numba的推薦方法是使用conda包管理

conda install numba

你也可以用pip來安裝Numba，但是最新版本的釋出才一天之久。但是，隻要你能夠使用conda，我會推薦使用它，因為它能夠為你安裝例如CUDA工具包，也許你想讓你的Python代碼GPU就緒（當然，這也是有可能的！）。

3.如何使用Numba呢？

使用它的要求不多。基本上，你寫一個自己的“普通”的Python函數，然後給函數定義添加一個裝飾（如果你不是很熟悉裝飾器，讀一下關于this或that）。你可以使用不同類型的裝飾器，但@jit可能是剛開始的選擇之一。其他裝飾器可用于例如建立numpy通用功能@vectorize或編寫将在CUDA GPU上執行的代碼@cuda。我不會在這篇文章中介紹這些裝飾。現在，讓我們來看看基本的步驟。他們提供的代碼示例是2d數組的求和函數，以下是代碼：

from numba import jit

from numpy import arange

# jit decorator tells Numba to compile this function.# The argument types will be inferred by Numba when function is called.

@jit

def sum2d(arr):

M, N = arr.shape

result = 0.0

for i in range(M):

for j in range(N):

result += arr[i,j]

return result

a = arange(9).reshape(3,3)

print(sum2d(a))

Okay，現在我們來看看我們get到了什麼。我們将使用最簡單的子產品之一，由MB Fiering在1967年出于教育目的開發的ABC模型，并将Python代碼的速度與Numba優化後Python代碼和Fortran實作進行比較。請注意這個模型不是我們在現實中使用的（正如名稱所示），但是我認為這可能是一個不錯的想法來舉例。

A、B、C子產品是一個三個參數子產品（a，b，c，習慣性命名），它隻接收下雨量為輸入，隻有一個存儲。土壤水分蒸發蒸騰損失總量（參數b），另一部分通過土壤滲透到地下水儲存（參數a），最後一個參數c代表地下水總量，離開地下變成河流。Python中的代碼，使用Numpy數組可能會像如下所示：

import numpy as np

def abc_model_py(a, b, c, rain):

# initialize array for the stream discharge of each time step

outflow = np.zeros((rain.size), dtype=np.float64)

# placeholder, in which we save the storage content of the previous and

# current timestep

state_in = 0

state_out = 0

for i in range(rain.size):

# Update the storage

state_out = (1 - c) * state_in + a * rain[i]

# Calculate the stream discharge

outflow[i] = (1 - a - b) * rain[i] + c * state_out

state_in = state_out

return outflow

接下來我們使用Numba來實作相同的功能。

def abc_model_numba(a, b, c, rain):

我用随機數字作為輸入來運作這些子產品，這隻是為了比較計算時間，而且也比較了針對fortran實作的時間（詳見here）。我們來看看數字：

py_time = %timeit -r 5 -n 10 -o abc_model_py(0.2, 0.6, 0.1, rain)

>> 6.75 s ± 11.6 ms per loop (mean ± std. dev. of 5 runs, 10 loops each)

# Measure the execution time of the Numba implementation

numba_time = %timeit -r 5 -n 10 -o abc_model_numba(0.2, 0.6, 0.1, rain)

>> 30.6 ms ± 498 µs per loop (mean ± std. dev. of 5 runs, 10 loops each)

# Measure the execution time of the Fortran implementation

fortran_time = %timeit -r 5 -n 10 -o abc_model_fortran(0.2, 0.6, 0.1, rain)

>> 31.9 ms ± 757 µs per loop (mean ± std. dev. of 5 runs, 10 loops each)

# Compare the pure Python vs Numba optimized time

py_time.best / numba_time.best

>> 222.1521754580626

# Compare the time of the fastes numba and fortran run

numba_time.best / fortran_time.best

>> 0.9627960721576471

通過添加一個裝飾器，我們的計算速度比純Python代碼快222倍，甚至比Fortran也快很多。在計算能力決定未來的時代，Numba一定會被更多人接受。

以上就是我的介紹，希望有人現在有動力去看看Numba庫。我想在将來我會編寫一系列小的Numba文章/教程，并提供更多的技術資訊，讓更多的人使用Numba 庫。而本文僅作為一個開始。

文章原标題《Introduction to the Numba library》

作者：Flaire

譯者：一隻高冷的貓，審校：袁虎。

Python高性能計算庫——Numba

繼續閱讀

無元件上傳圖檔到資料庫中，最完整解決方案

【MySQL資料庫】資料庫索引事務1.索引2.事務

neo4j之cypher使用文檔

C經典書籍筆記——C陷阱與缺陷②(文法陷阱之優先級)一、錯誤案列二、優先級規律

Cloud Studio初體驗

使用 ctypes 進行 Python 和 C 的混合程式設計

【python】【資料處理】畫多元資料分布圖

NOSQL安全攻擊

mybatis_入門程式Mybatis入門

線性表之順序表的實作

登入plsql 報錯 the account is locked --使用者被鎖

C++判斷素數、求最大公約數代碼判斷一個數是否為素數求兩個數的最大公約數

SequoiaDB巨杉資料庫C++驅動概述

【python】netconf協定對接管理裝置

「Python 網絡自動化」NETCONF —— Python 使用 NETCONF 管理配置 H3C 網絡裝置

在python中建立excel并寫入