利用numba給Python代码加速 [1]

• 什么是Nopython 模式?

Numba @jit 装饰器有两种编译模式, Nopython 模式和Object 模式。nopython编译模式的行为本质上是编译修饰后的函数，使其完全运行而不需要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法，因为它可以获得最佳性能。@jit(nopython=True) 等效于@njit（）。

# -*- coding: utf-8 -*-
from numba import jit
import numpy as np
from time import time


@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 = 0.0
    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 广播


N = 100
x = np.arange(N**2).reshape(N, N)
since = time()
r = go_fast(x)
print("time elapsed: ", time() - since)
print(r)

如果在nopython模式下编译失败，Numba可以使用对象模式进行编译。如果没有设置nopython=True，这是@jit装饰器的一种回退模式。在这种模式下，Numba将识别可以编译的循环，并将这些循环编译成在机器代码中运行的函数，它将在Python解释器中运行其余的代码（速度变慢）。为获得最佳性能，请避免使用此模式！

• nogil

每当Numba将Python代码优化为只在本机类型和变量（非Python对象）上工作的本机代码时，就不再需要Python的全局解释器锁（GIL）。如果您传递了nogil=True，则在输入此类编译函数时，Numba将释放GIL。

使用释放GIL运行的代码可与执行Python或Numba代码的其他线程（同一个编译函数或另一个编译函数）同时运行，允许您利用多核系统。如果函数是在对象模式下编译的，则这是不可能的。

当使用nogil=True时，您必须警惕多线程编程的常见陷阱（一致性、同步、竞争条件等）。

@njit(nogil=True)
def f(x, y):
    return x + y

• cache

为了避免每次调用Python程序时都要进行编译，可以指示Numba将函数编译的结果写入基于文件的缓存中。这是通过传递cache=True来完成的。

@njit(cache=True)
def f(x, y):
    return x + y

• parallel

为已知具有并行语义的函数中的操作启用自动并行化（和相关优化）。有关支持的操作的列表，请参阅Automatic parallelization with @jit。此功能通过传递parallel=True启用，必须与nopython=True一起使用

@jit(nopython=True, parallel=True)
def f(x, y):
    return x + y

• 懒惰编译 使用@jit装饰器的推荐方法是让Numba决定何时以及如何优化

from numba import jit

@jit
def f(x, y):
    # A somewhat trivial example
    return x + y

在此模式下，编译将推迟到第一次函数执行。Numba将在调用时推断参数类型，并基于此信息生成优化代码。Numba还可以根据输入类型编译单独的专门化。例如，使用整数或复数调用上面的f()函数将生成不同的代码路径：

>>>f(1, 2)
3
>>>f(2**31, 2**31 + 1)
4294967297
>>> f(1j, 2)
(2+1j)

• 积极编译

你可以告诉numba你期望的函数签名（参数类型和返回值类型）：

from numba import jit, int32

@jit(int32(int32, int32)) #输入是两个四字节整数，输出也是四字节整数
def f(x, y):
    # A somewhat trivial example
    return x + y

int32（int32，int32）是函数的签名。在这种情况下，相应的专门化
将由@jit decorator编译，不允许其他专门化。如果您希望对编译器选
择的类型进行精确控制（例如，使用单精度浮点），这将非常有用（通
常会更快）。但是要注意溢出的风险。


>>>f(2**31, 2**31 + 1)
1 #溢出，高位丢失
如果省略返回类型，例如通过写入（int32，int32）而不是
int32（int32，int32），Numba将尝试为您推断它。函数签名也可以是
字符串，您可以将其中几个作为列表传递。


常用的数据类型有:

• int8, uint8, int16, uint16, int32, uint32, int64,

uint64，各种长度整数。图像处理中unit8很常用。

• float32 ,float64， 单精度浮点数，双精度浮点数
• complex64 ,complex128， 单精度复数，双精度复数
• void, 对应python中返回Nothing。
• intc and uintc 等效于C中的 int 和uint
• 各种数组类型，如float32[:]表示一维单精度浮点数组，

uint8[:,:] 表示二维无符号8位整数数组（常用于图像数组）

• 元组， 如nb.types.UniTuple(nb.float32, 3) 表示3个

元素的元组，元素的类型是float32