python - numba什么时候有效？

Question

我知道 numba 会产生一些开销，并且在某些情况下(非密集计算)它变得比纯 python 慢。但我不知道在哪里划清界限。是否可以使用算法复杂度的顺序来找出位置？

例如，在这段代码中添加两个短于 5 的数组 (~O(n)) 纯 python 更快:

def sum_1(a,b):
    result = 0.0
    for i,j in zip(a,b):
            result += (i+j)
    return result

@numba.jit('float64[:](float64[:],float64[:])')
def sum_2(a,b):
    result = 0.0
    for i,j in zip(a,b):
            result += (i+j)
    return result

# try 100
a = np.linspace(1.0,2.0,5)
b = np.linspace(1.0,2.0,5)
print("pure python: ")
%timeit -o sum_1(a,b)
print("\n\n\n\npython + numba: ")
%timeit -o sum_2(a,b)

更新:我正在寻找类似的指南，如 here :

“一般准则是为不同的数据大小和算法选择不同的目标。“cpu”目标适用于小数据大小(大约小于 1KB)和低计算强度算法。它的开销最少. “并行”目标适用于中等数据大小(大约小于 1MB)。线程增加了一个小的延迟。“cuda”目标适用于大数据大小(大约大于 1MB)和高计算强度算法。将内存传入和传出 GPU 会增加大量开销。”

Answer 1

当 numba 生效时很难划清界线。但是，有一些指标可能不有效:

• 如果您不能将 jit 与 nopython=True 一起使用 - 每当您无法在 nopython 模式下编译它时，您要么尝试编译太多，要么它不会明显更快。

• 如果您不使用数组 - 当您处理传递给 numba 函数的列表或其他类型时(其他 numba 函数除外)，numba 需要复制这些会产生大量开销。

• 如果已经有一个 NumPy 或 SciPy 函数可以执行此操作 - 即使 numba 对于短数组可以明显更快，但对于更长的数组几乎总是一样快(而且您可能很容易忽略一些常见的边缘情况这些会处理)。

在 numba 比其他解决方案“快一点”的情况下，您可能不想使用 numba 还有另一个原因:Numba 函数必须提前编译或编译第一次调用时，在某些情况下编译会比你的 yield 慢得多，即使你调用它数百次。编译时间也会增加:numba 导入速度很慢，编译 numba 函数也会增加一些开销。如果导入开销增加 1-10 秒，则削减几毫秒是没有意义的。

而且 numba 安装起来很复杂(至少没有 conda)，所以如果你想分享你的代码，那么你就会有一个真正的“严重依赖”。

---

您的示例缺少与 NumPy 方法和高度优化的纯 Python 版本的比较。我添加了更多比较函数并进行了基准测试(使用我的库 simple_benchmark ):

import numpy as np
import numba as nb
from itertools import chain

def python_loop(a,b):
    result = 0.0
    for i,j in zip(a,b):
        result += (i+j)
    return result

@nb.njit
def numba_loop(a,b):
    result = 0.0
    for i,j in zip(a,b):
            result += (i+j)
    return result

def numpy_methods(a, b):
    return a.sum() + b.sum()

def python_sum(a, b):
    return sum(chain(a.tolist(), b.tolist()))

from simple_benchmark import benchmark, MultiArgument

arguments = {
    2**i: MultiArgument([np.zeros(2**i), np.zeros(2**i)])
    for i in range(2, 17)
}
b = benchmark([python_loop, numba_loop, numpy_methods, python_sum], arguments, warmups=[numba_loop])

%matplotlib notebook
b.plot()

是的，对于小数组，numba 函数是最快的，但是对于较长的数组，NumPy 解决方案会稍微快一些。 Python 解决方案速度较慢，但​​“更快”的替代方案已经比您最初提出的解决方案快得多。

在这种情况下，我会简单地使用 NumPy 解决方案，因为它简短、可读且速度快，除非您处理大量短数组并多次调用该函数 - 那么 numba 解决方案会好得多。