Python中的numba的基本应用！让你的Python快一万…

可以看到几乎有 200 倍的差距，这当然是无法忍受的。为此，我们可以用vectorize来定义出类似于Ufunc的函数：

虽然还是慢了 2 倍左右，但已经好很多了

然后有几点需要注意的地方：

* vectorize下的函数所接受的参数都是一个个的数而非整个数组。所以上述add_with_vec的参数yy其实是输入数组y中的元素，而不是y本身。更详细的说明可以参见官方文档）

* 可以看到当常数 c 是整数和是浮点数时、速度是不同的。个人猜测这是因为若常数 c 为整数，那么实际运算时需要将它转化为浮点数，从而导致速度变慢

* 上述代码中我们没有显式地定义函数的参数类型和返回类型，但我们可以预先定义。比如说，如果我确定常数 c 就是整数的话，我就可以这样写：

虽说在普通的 Python3.6.1 下、运行结果将如下：

73.5 μs ± 4.22 μs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

21.2 μs ± 734 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

似乎还变慢了；不过如果使用 Intel Distribution for Python 的话，会发现parallel版本甚至会比numpy原生的版本要稍快一些

这个栗子中的性能提升就是实打实的了。总之，使用parallel时不能一概而论，还是要做些实验需要指出的是，vectorize中的参数target一共有三种取值：cpu（默认）、parallel和cuda。关于选择哪个取值，官方文档上有很好的说明：

使用 jit(nogil=True) 实现高效并发（多线程）我们知道，Python 中由于有 GIL 的存在，所以多线程用起来非常不舒服。不过 numba 的 jit 里面有一项参数叫 nogil，想来聪明的观众老爷们都猜到了它是干什么的了……

下面就来看一个栗子：

numba 的应用实例 —— 卷积与池化如果只想看效果的话倒没什么关系，不过如果想知道我具体在干什么的话，可以参见这篇文章

首先是卷积操作：

那么程序的运行结果将会是：

281 ms ± 12.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

66.2 ms ± 2.32 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

可以看到这又快了 3 倍左右

接下来是池化操作（我们选用的是 MaxPool）：

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有