用 Numba 加速 Python 代码，变得像 C++ 一样快

（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

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：

from numba import jit

复制代码

@jit

复制代码

def function(x):

复制代码

# your loop or numerically intensive computations

复制代码

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

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

@njit

复制代码

。如果您加上

nopython=True

复制代码

的装饰器失败并报错，您可以用简单的

@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：

from numba import njit, jit

复制代码

@njit # or @jit(nopython=True)

复制代码

def function(a, b):

复制代码

# your loop or numerically intensive computations

复制代码

return result

复制代码

当使用

@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

parallel=True

复制代码

作为参数，但它必须与

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：

from numba import jit, int32

复制代码

@jit(int32(int32, int32))

复制代码

def function(a, b):

复制代码

# your loop or numerically intensive computations

复制代码

return result

复制代码

# or if you haven't imported type names

复制代码

# you can pass them as string

复制代码

@jit('int32(int32, int32)')

复制代码

def function(a, b):

复制代码

# your loop or numerically intensive computations

复制代码

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

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：

@vectorize

复制代码

def func(a, b):

复制代码

# Some operation on scalars

复制代码

return result

复制代码

您还可以将

target

复制代码

参数传递给此装饰器，该装饰器使 target 参数为

parallel

复制代码

时用于并行化代码，为

cuda

复制代码

时用于在 cuda\GPU 上运行代码。

@vectorize(target="parallel")

复制代码

def func(a, b):

复制代码

# Some operation on scalars

复制代码

return result

复制代码

使

target=“parallel”

复制代码

或

“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

numba

复制代码

库中导入

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。

# Defining a kernel function

复制代码

from numba import cuda

复制代码

@cuda.jit

复制代码

def func(a, result):

复制代码

# Some cuda related computation, then

复制代码

# your computationally intensive code.

复制代码

# (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：

threadsperblock = 32

复制代码

blockspergrid = (array.size + (threadsperblock - 1)) // threadsperblock

复制代码

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。

@cuda.jit

复制代码

def func(a, result):

复制代码

pos = cuda.grid(1) # For 1D array

复制代码

# x, y = cuda.grid(2) # For 2D array

复制代码

if pos < a.shape[0]:

复制代码

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：

numba.cuda.device_array

复制代码

，

numba.cuda。 device_array_like

复制代码

，

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

from numba import cuda

复制代码

@cuda.jit(device=True)

复制代码

def device_function(a, b):

复制代码

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