1.1。Numba的約5分鐘指南 Numba是Python的即時編譯器，它最適用于使用NumPy數(shù)組和函數(shù)以及循環(huán)的代碼。使用Numba的最常用方法是通過其裝飾器集合，可以應(yīng)用于您的函數(shù)來指示Numba編譯它們。當(dāng)調(diào)用Numba修飾函數(shù)時，它被編譯為機(jī)器代碼“及時”執(zhí)行，并且您的全部或部分代碼隨后可以以本機(jī)機(jī)器代碼速度運(yùn)行！

開箱即用的Numba使用以下方法：

操作系統(tǒng)：Windows(32位和64位)，OSX和Linux(32位和64位) 架構(gòu)：x86，x86_64，ppc64le。在armv7l，armv8l(aarch64)上進(jìn)行實驗。 GPU：Nvidia CUDA。AMD ROC的實驗。 CPython的 NumPy 1.10 - 最新 1.1.1。我怎么得到它？ Numba可作為暢達(dá)包為 蟒蛇Python發(fā)布：

$ conda install numba Numba還有pip可供選擇：

$ pip install numba Numba也可以 從源代碼編譯，雖然我們不建議首次使用Numba用戶。

Numba通常用作核心包，因此其依賴性保持在絕對最小值，但是，可以按如下方式安裝額外的包以提供其他功能：

scipy- 支持編譯numpy.linalg功能。 colorama - 支持回溯/錯誤消息中的顏色突出顯示。 pyyaml - 通過YAML配置文件啟用Numba配置。 icc_rt - 允許使用Intel SVML(高性能短矢量數(shù)學(xué)庫，僅限x86_64)。安裝說明在 性能提示中。 1.1.2。Numba會為我的代碼工作嗎？ 這取決于你的代碼是什么樣的，如果你的代碼是以數(shù)字為導(dǎo)向的(做了很多數(shù)學(xué)運(yùn)算)，經(jīng)常使用NumPy和/或有很多循環(huán)，那么Numba通常是一個不錯的選擇。在這些例子中，我們將應(yīng)用最基本的Numba的JIT裝飾器，@jit試圖加速一些函數(shù)來演示哪些有效，哪些無效。

Numba在代碼看起來像這樣：

from numba import jit import numpy as np

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

@jit(nopython=True) # Set "nopython" mode for best performance 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)) 對于看起來像這樣的代碼，如果有的話，它將無法正常工作：

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)) 請注意，Numba不理解Pandas，因此Numba只是通過解釋器運(yùn)行此代碼，但增加了Numba內(nèi)部開銷的成本！

1.1.3。什么是nopython模式？ Numba @jit裝飾器從根本上以兩種編譯模式運(yùn)行， nopython模式和object模式。在go_fast上面的例子中， nopython=True在@jit裝飾器中設(shè)置，這是指示Numba在nopython模式下操作。nopython編譯模式的行為本質(zhì)上是編譯裝飾函數(shù)，以便它完全運(yùn)行而不需要Python解釋器的參與。這是使用Numba jit裝飾器的推薦和最佳實踐方式，因為它可以帶來最佳性能。

如果編譯nopython模式失敗，Numba可以編譯使用 ，如果沒有設(shè)置，這是裝飾器的 后退模式(如上例所示)。在這種模式下，Numba將識別它可以編譯的循環(huán)并將它們編譯成在機(jī)器代碼中運(yùn)行的函數(shù)，并且它將運(yùn)行解釋器中的其余代碼。為獲得最佳性能，請避免使用此模式objectmode@jitnopython=Trueuse_pandas

1.1.4。如何衡量Numba的表現(xiàn)？ 首先，回想一下，Numba必須為執(zhí)行函數(shù)的機(jī)器代碼版本之前給出的參數(shù)類型編譯函數(shù)，這需要時間。但是，一旦編譯完成，Numba會為所呈現(xiàn)的特定類型的參數(shù)緩存函數(shù)的機(jī)器代碼版本。如果再次使用相同的類型調(diào)用它，它可以重用緩存的版本而不必再次編譯。

測量性能時，一個非常常見的錯誤是不考慮上述行為，并使用一個簡單的計時器來計算一次，該計時器包括在執(zhí)行時編譯函數(shù)所花費(fèi)的時間。

例如：

from numba import jit import numpy as np import time

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

@jit(nopython=True) def go_fast(a): # Function is compiled and runs in machine code trace = 0 for i in range(a.shape[0]): trace += np.tanh(a[i, i]) return a + trace

DO NOT REPORT THIS... COMPILATION TIME IS INCLUDED IN THE EXECUTION TIME!

start = time.time() go_fast(x) end = time.time() print("Elapsed (with compilation) = %s" % (end - start))

NOW THE FUNCTION IS COMPILED, RE-TIME IT EXECUTING FROM CACHE

start = time.time() go_fast(x) end = time.time() print("Elapsed (after compilation) = %s" % (end - start)) 這，例如打印：

Elapsed (with compilation) = 0.33030009269714355 Elapsed (after compilation) = 6.67572021484375e-06 衡量Numba JIT對您的代碼的影響的一個好方法是使用timeit模塊函數(shù)來執(zhí)行時間，這些函數(shù)測量多次執(zhí)行迭代，因此可以在第一次執(zhí)行時適應(yīng)編譯時間。

作為旁注，如果編譯時間成為問題，Numba JIT支持 編譯函數(shù)的磁盤緩存，并且還具有Ahead-Of-Time編譯模式。

1.1.5。它有多快？ 假設(shè)Numba可以在nopython模式下運(yùn)行，或者至少編譯一些循環(huán)，它將針對您的特定CPU進(jìn)行編譯。加速因應(yīng)用而異，但可以是一到兩個數(shù)量級。Numba有一個 性能指南，涵蓋了獲得額外性能的常用選項。

1.1.6。Numba如何運(yùn)作？ Numba讀取裝飾函數(shù)的Python字節(jié)碼，并將其與有關(guān)函數(shù)輸入?yún)?shù)類型的信息相結(jié)合。它分析并優(yōu)化您的代碼，最后使用LLVM編譯器庫生成函數(shù)的機(jī)器代碼版本，根據(jù)您的CPU功能量身定制。每次調(diào)用函數(shù)時都會使用此編譯版本。

1.1.7。其他感興趣的東西： Numba有相當(dāng)多的裝飾，我們看到@jit和@njit，但也有：

@vectorize- 生成NumPy ufunc(ufunc支持所有方法)。文件在這里。 @guvectorize- 產(chǎn)生NumPy廣義ufuncs。 文件在這里。 @stencil - 將函數(shù)聲明為類似模板操作的內(nèi)核。 文件在這里。 @jitclass - 對于jit感知類。文件在這里。 @cfunc - 聲明一個函數(shù)用作本機(jī)回調(diào)(從C / C ++等調(diào)用)。文件在這里。 @overload- 注冊您自己的函數(shù)實現(xiàn)，以便在nopython模式下使用，例如@overload(scipy.special.j0)。 文件在這里。 一些裝飾者提供額外選項：

parallel = True- 啟用功能的 自動并行化。 fastmath = True- 為該功能啟用快速數(shù)學(xué)行為。 ctypes / cffi / cython互操作性：

cffi- 模式支持調(diào)用CFFI函數(shù)nopython。 ctypes- 模式支持調(diào)用ctypes包裝函數(shù)nopython。。 Cython導(dǎo)出的函數(shù)是可調(diào)用的。 1.1.7.1。GPU目標(biāo)： Numba可以針對Nvidia CUDA和(實驗性)AMD ROC GPU。您可以使用純Python編寫內(nèi)核，讓Numba處理計算和數(shù)據(jù)移動(或明確地執(zhí)行此操作)。單擊關(guān)于CUDA或ROC的 Numba文檔 。

示例：接下來我們寫一段簡單的代碼，來計算一下執(zhí)行時間：

示例1：不使用numba的:

import time

def num():

arr = []

for i in range(10000000):

arr.append(i)

stime = time.time() num() etime = time.time() - stime

print(arr)

print('用時:{}秒'.format(etime)) 示例輸出時間:

用時:1.4500024318695068秒

示例2：使用numba @jit

import time from numba import jit

@jit def num():

arr = []

for i in range(10000000):

arr.append(i)

stime = time.time() num() etime = time.time() - stime

print(arr)

print('用時:{}秒'.format(etime)) 示例輸出:

用時:0.5530002117156982秒

結(jié)論：

上述兩個示例代碼，一個使用了numba，另一個沒有使用numba；可以看出使用numba @jit裝飾后，時間明顯快了很多倍。

這只是一個簡單示例；對于復(fù)雜計算提高速度更明顯。

總結(jié)

以上是生活随笔為你收集整理的linux 版本的scipy,linux安装scipy的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。