Numba 开发手册

网址：http://numba.pydata.org/numba-doc/latest/user/index.html

一、5分钟quick start

Numba是一个python的即时编译器，其使用Numpy的arrays，functions和loops。当调用Numba修饰函数时，它被编译为机器代码即时执行，并且全部或部分代码随后可以以本机机器代码速度运行！（大概意思是部分代码给编译了，不是像之前一样解释运行）

注意：现在numba还在armv7l, armv8l (aarch64)平台上实验，在AMD ROC（GPU）也处于实验状态。

判断什么情况下比较适合使用Numba：

如果代码是使用numpy做数字运算，并且常常有很多的循环，那么使用Numba就是一个很好的选择。

下面是Numba适合和不适合应用场景的示例：

from numba import jit
import numpy as np

x = np.arange(100).reshape(10, 10)

@jit(nopython=True) # Set "nopython" mode for best performance, equivalent to @njit
def go_fast(a): # Function is compiled to machine code when called the first time
    trace = 0
    for i in range(a.shape[0]):   # Numba likes loops
        trace += np.tanh(a[i, i]) # Numba likes NumPy functions
    return a + trace              # Numba likes NumPy broadcasting

print(go_fast(x))

从上面的示例可以看出，Numba适合numpy中的循环操作、numpy函数以及broadcasting。

from numba import jit
import pandas as pd

x = {'a': [1, 2, 3], 'b': [20, 30, 40]}

@jit
def use_pandas(a): # Function will not benefit from Numba jit
    df = pd.DataFrame.from_dict(a) # Numba doesn't know about pd.DataFrame
    df += 1                        # Numba doesn't understand what this is
    return df.cov()                # or this!

print(use_pandas(x))

从上面这个例子可以看出numba不适合字典型变量和一些非numpy的函数，尤其是上面numba不能解析pandas，上面的函数内容在运行时也就无法编译。

关于nopython模式：

Numba中的@jit运算符能按照两种编译模式运行，nopython模式和object模式。例如上面的go_fast函数，nopython=true，将@jit设置为nopython模式。nopython编译模式的行为本质上是编译装饰函数，以便它完全运行而不需要Python解释器的参与。这是使用Numba jit装饰器的推荐和最佳实践方式，因为它可以带来最佳性能。

如果nopython模式下的编译失败，Numba可以使用对象模式进行编译，如果未设置nopython = True，则这是@jit装饰器的fall back模式（如上面的use_pandas示例中所示）。在这种模式下，Numba将识别它可以编译的循环，并将它们编译成在机器代码中运行的函数，并且它将运行解释器中的其余代码。为获得最佳性能，请避免使用此模式。

扫描二维码关注公众号，回复： 6266104 查看本文章

如何去衡量Numba的性能：

首先，numba在第一次执行的时候会执行函数编译为机器代码，这是需要耗时的，但是后面numba会将编译好的机器代码缓存起来以供后面的循环调用。

注意一个地方，如果编译时间很长，那么numba是支持将编译好的函数存到disk上的。

Numba是如何工作的：

Numba读取了@jit函数的python字节，并且分析优化代码，最后使用LLVM编译器生成函数的机器代码。

Numba中的decorators：

@njit	@njit(nopython=true)的简称

一、5分钟quick start

猜你喜欢