用 Numba 加速 Python 代码,变得像 C++ 一样快

论坛 期权论坛 期权     
Python开发者   2019-6-16 21:54   2486   0
(给Python开发者加星标,提升Python技能)
英文:Puneet Grover,译:zxdefying,艾凌风 校稿
整理:Python开发者(id:PythonCoder)
[h2]目录[/h2]
  • 介绍
  • 为什么选择 Numba?
  • Numba 是如何工作的?
  • 使用 Numba 的基本功能(只需要加上
    1. @jit
    复制代码
    !)
  • @vectorize 装饰器
  • 在 GPU 上运行函数
  • 扩展阅读
  • 参考

注意: 这篇文章的 Jupyter Notebook 代码在我的 Github 上:SpeedUpYourAlgorithms-Numba

[h2]1. 介绍[/h2]Numba 是 python 的即时(Just-in-time)编译器,即当您调用 python 函数时,您的全部或部分代码就会被转换为“即时”执行的机器码,它将以您的本地机器码速度运行!它由 Anaconda 公司赞助,并得到了许多其他组织的支持。
在 Numba 的帮助下,您可以加速所有计算负载比较大的 python 函数(例如循环)。它还支持 numpy 库!所以,您也可以在您的计算中使用 numpy,并加快整体计算,因为 python 中的循环非常慢。 您还可以使用 python 标准库中的 math 库的许多函数,如
  1. sqrt
复制代码
等。有关所有兼容函数的完整列表,请查看 此处。
[h2]2. 为什么选择 Numba?[/h2]

那么,当有像 cython 和 Pypy 之类的许多其他编译器时,为什么要选择 numba?
原因很简单,这样您就不必离开写 python 代码的舒适区。是的,就是这样,您根本不需要为了获得一些的加速来改变您的代码,这与您从类似的具有类型定义的 cython 代码获得的加速相当。那不是很好吗?
您只需要添加一个熟悉的 python 功能,即添加一个包装器(一个装饰器)到您的函数上。类的装饰器也在开发中了。
所以,您只需要添加一个装饰器就可以了。例如:
  1. from numba import jit
复制代码
  1. @jit
复制代码
  1. def function(x):
复制代码
  1.     # your loop or numerically intensive computations
复制代码
  1.     return x
复制代码
这仍然看起来像一个原生 python 代码,不是吗?
[h2]3. 如何使用 Numba?[/h2]

“question mark neon signage” by Emily Morter on Unsplash
Numba 使用 LLVM 编译器基础结构 将原生 python 代码转换成优化的机器码。使用 numba 运行代码的速度可与 C/C++ 或 Fortran 中的类似代码相媲美。
以下是代码的编译方式:


首先,Python 函数被传入,优化并转换为 numba 的中间表达,然后在类型推断(type inference)之后,就像 numpy 的类型推断(所以 python float 是一个 float64),它被转换为 LLVM 可解释代码。 然后将此代码提供给 LLVM 的即时编译器以生成机器码。
您可以根据需要在运行时或导入时 生成 机器码,导入需要在 CPU(默认)或 GPU 上进行。
[h2]4. 使用 numba 的基本功能(只需要加上 @jit !)[/h2]

Photo by Charles Etoroma on Unsplash
小菜一碟!
为了获得最佳性能,numba 实际上建议在您的 jit 装饰器中加上
  1. nopython=True
复制代码
参数,加上后就不会使用 Python 解释器了。或者您也可以使用
  1. @njit
复制代码
。如果您加上
  1. nopython=True
复制代码
的装饰器失败并报错,您可以用简单的
  1. @jit
复制代码
装饰器来编译您的部分代码,对于它能够编译的代码,将它们转换为函数,并编译成机器码。然后将其余部分代码提供给 python 解释器。
所以,您只需要这样做:
  1. from numba import njit, jit
复制代码
  1. @njit      # or @jit(nopython=True)
复制代码
  1. def function(a, b):
复制代码
  1.     # your loop or numerically intensive computations
复制代码
  1.     return result
复制代码
当使用
  1. @jit
复制代码
时,请确保您的代码有 numba 可以编译的内容,比如包含库(numpy)和它支持的函数的计算密集型循环。否则它将不会编译任何东西,并且您的代码将比没有使用 numba 时更慢,因为存在 numba 内部代码检查的额外开销。
还有更好的一点是,numba 会对首次作为机器码使用后的函数进行缓存。 因此,在第一次使用之后它将更快,因为它不需要再次编译这些代码,如果您使用的是和之前相同的参数类型。
如果您的代码是 可并行化 的,您也可以传递
  1. parallel=True
复制代码
作为参数,但它必须与
  1. nopython=True
复制代码
一起使用,目前这只适用于CPU。
您还可以指定希望函数具有的函数签名,但是这样就不会对您提供的任何其他类型的参数进行编译。 例如:
  1. from numba import jit, int32
复制代码
  1. @jit(int32(int32, int32))
复制代码
  1. def function(a, b):
复制代码
  1.     # your loop or numerically intensive computations
复制代码
  1.     return result
复制代码
  1. # or if you haven't imported type names
复制代码
  1. # you can pass them as string
复制代码
  1. @jit('int32(int32, int32)')
复制代码
  1. def function(a, b):
复制代码
  1.     # your loop or numerically intensive computations
复制代码
  1.     return result
复制代码
现在您的函数只能接收两个 int32 类型的参数并返回一个 int32 类型的值。 通过这种方式,您可以更好地控制您的函数。 如果需要,您甚至可以传递多个函数签名。


您还可以使用 numba 提供的其他装饰器:
  • @vectorize:允许将标量参数作为 numpy 的 ufuncs 使用,
  • @guvectorize:生成 NumPy 广义上的
    1. ufunc
    复制代码
    s,
  • @stencil:定义一个函数使其成为 stencil 类型操作的核函数
  • @jitclass:用于 jit 类,
  • @cfunc:声明一个函数用于本地回调(被C/C++等调用),
  • @overload:注册您自己的函数实现,以便在
    1. nopython
    复制代码
    模式下使用,例如:
    1. @overload(scipy.special.j0)
    复制代码


Numba 还有 Ahead of time(AOT)编译,它生成不依赖于 Numba 的已编译扩展模块。 但:
  • 它只允许常规函数(ufuncs 就不行),
  • 您必须指定函数签名。并且您只能指定一种签名,如果需要指定多个签名,需要使用不同的名字。

它还根据您的CPU架构系列生成通用代码。
[h2]5. @vectorize 装饰器[/h2]

“gray solar panel lot” by American Public Power Association on Unsplash
通过使用 @vectorize 装饰器,您可以对仅能对标量操作的函数进行转换,例如,如果您使用的是仅适用于标量的 python 的
  1. math
复制代码
库,则转换后就可以用于数组。 这提供了类似于 numpy 数组运算(ufuncs)的速度。 例如:
  1. @vectorize
复制代码
  1. def func(a, b):
复制代码
  1.     # Some operation on scalars
复制代码
  1.     return result
复制代码
您还可以将
  1. target
复制代码
参数传递给此装饰器,该装饰器使 target 参数为
  1. parallel
复制代码
时用于并行化代码,为
  1. cuda
复制代码
时用于在 cuda\GPU 上运行代码。
  1. @vectorize(target="parallel")
复制代码
  1. def func(a, b):
复制代码
  1.     # Some operation on scalars
复制代码
  1.     return result
复制代码
使
  1. target=“parallel”
复制代码
  1. “cuda”
复制代码
进行矢量化通常比 numpy 实现的代码运行得更快,只要您的代码具有足够的计算密度或者数组足够大。如果不是,那么由于创建线程以及将元素分配到不同线程需要额外的开销,因此可能耗时更长。所以运算量应该足够大,才能获得明显的加速。


这个视频讲述了一个用 Numba 加速用于计算流体动力学的Navier Stokes方程的例子:
[h2]6. 在GPU上运行函数[/h2]

“time-lapsed of street lights” by Marc Sendra martorell on Unsplash
您也可以像装饰器一样传递 @jit 来运行 cuda/GPU 上的函数。 为此您必须从
  1. numba
复制代码
库中导入
  1. cuda
复制代码
。 但是要在 GPU 上运行代码并不像之前那么容易。为了在 GPU 上的数百甚至数千个线程上运行函数,需要先做一些初始计算。 实际上,您必须声明并管理网格,块和线程的层次结构。这并不那么难。
要在GPU上执行函数,您必须定义一个叫做 核函数 或 设备函数 的函数。首先让我们来看 核函数。
关于核函数要记住一些要点:
a)核函数在被调用时要显式声明其线程层次结构,即块的数量和每块的线程数量。您可以编译一次核函数,然后用不同的块和网格大小多次调用它。
b)核函数没有返回值。因此,要么必须对原始数组进行更改,要么传递另一个数组来存储结果。为了计算标量,您必须传递单元素数组。
  1. # Defining a kernel function
复制代码
  1. from numba import cuda
复制代码
  1. @cuda.jit
复制代码
  1. def func(a, result):
复制代码
  1.     # Some cuda related computation, then
复制代码
  1.     # your computationally intensive code.
复制代码
  1.     # (Your answer is stored in 'result')
复制代码
因此,要启动核函数,您必须传入两个参数:
  • 每块的线程数,
  • 块的数量。

例如:
  1. threadsperblock = 32
复制代码
  1. blockspergrid = (array.size + (threadsperblock - 1)) // threadsperblock
复制代码
  1. func[blockspergrid, threadsperblock](array)
复制代码
每个线程中的核函数必须知道它在哪个线程中,以便了解它负责数组的哪些元素。Numba 只需调用一次即可轻松获得这些元素的位置。

  1. @cuda.jit
复制代码
  1. def func(a, result):
复制代码
  1.     pos = cuda.grid(1)  # For 1D array
复制代码
  1.     # x, y = cuda.grid(2) # For 2D array
复制代码
  1.     if pos < a.shape[0]:
复制代码
  1.         result[pos] = a[pos] * (some computation)
复制代码
为了节省将 numpy 数组复制到指定设备,然后又将结果存储到 numpy 数组中所浪费的时间,Numba 提供了一些 函数 来声明并将数组送到指定设备,如:
  1. numba.cuda.device_array
复制代码
  1. numba.cuda。 device_array_like
复制代码
  1. numba.cuda.to_device
复制代码
等函数来节省不必要的复制到 cpu 的时间(除非必要)。
另一方面,设备函数 只能从设备内部(通过核函数或其他设备函数)调用。 比较好的一点是,您可以从 设备函数 中返
  1. from numba import cuda
复制代码
  1. @cuda.jit(device=True)
复制代码
  1. def device_function(a, b):
复制代码
  1.     return a + b
复制代码
您还应该在这里查看 Numba 的 cuda 库支持的功能。
Numba 在其 cuda 库中也有自己的 原子操作,随机数生成器,共享内存实现(以加快数据的访问)等功能。
ctypes/cffi/cython 的互用性:
    1. cffi
    复制代码
    – 在 nopython 模式下支持调用 CFFI 函数。
    1. ctypes
    复制代码
    – 在 nopython 模式下支持调用 ctypes 包装函数。
  • Cython 导出的函数是 可调用 的。

[h2]7. 扩展阅读[/h2]
  • https://nbviewer.jupyter.org/github/ContinuumIO/gtc2017-numba/tree/master/
  • https://devblogs.nvidia.com/seven-things-numba/
  • https://devblogs.nvidia.com/numba-python-cuda-acceleration/
  • https://jakevdp.github.io/blog/2015/02/24/optimizing-python-with-numpy-and-numba/
  • https://www.youtube.com/watch?v=1AwG0T4gaO0

[h2]8. 参考[/h2]
  • http://numba.pydata.org/numba-doc/latest/user/index.html
  • https://github.com/ContinuumIO/gtc2018-numba
  • http://stephanhoyer.com/2015/04/09/numba-vs-cython-how-to-choose/

谢谢阅读!
推荐阅读
(点击标题可跳转阅读)
[/url]
[url=http://mp.weixin.qq.com/s?__biz=MzA4MjEyNTA5Mw==&mid=2652569469&idx=1&sn=2c0d88a3359785b46f151c6e1d8a0e0b&chksm=8464d737b3135e21d557557c85b67d2b910c2d76e093412ee964f5c61d8a39ed70ba4cc2dc94&scene=21#wechat_redirect]8 个流行的 Python 可视化工具包,你喜欢哪个?

GitHub 热门:Python 算法大全,Star 超过 2 万


觉得本文对你有帮助?请分享给更多人
关注「Python开发者」加星标,提升Python技能

好文章,我在看
分享到 :
0 人收藏
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

积分:835
帖子:167
精华:0
期权论坛 期权论坛
发布
内容

下载期权论坛手机APP