如何使用numba對Python運(yùn)算加速

這篇文章主要介紹了如何使用numba對Python運(yùn)算加速，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

有時候需要比較大的計算量，這個時候Python的效率就很讓人捉急了，此時可以考慮使用numba 進(jìn)行加速，效果提升明顯~

(numba 安裝貌似很是繁瑣，建議安裝Anaconda，里面自帶安裝好各種常用科學(xué)計算庫）

from numba import jit

@jit
def t(count=1000):
 total = 0
 for i in range(int(count)):
  total += i
 return total

測試效果：

（關(guān)于__wrapped__ 見我的博文： 淺談解除裝飾器作用（python3新增） ）

In [17]: %timeit -n 1 t.__wrapped__()
1 loop, best of 3: 52.9 µs per loop

In [18]: %timeit -n 1 t()
The slowest run took 13.00 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 395 ns per loop

可以看到使用jit 加速后，即使設(shè)置測試一次，實際上還是取了三次的最優(yōu)值，如果取最壞值（因為最優(yōu)值可能是緩存下來的），則耗時為395ns * 13 大概是5us 還是比不使用的52.9us 快上大概10倍，

增大計算量可以看到使用numba加速后的效果提升更加明顯，

In [19]: %timeit -n 10 t.__wrapped__(1e6)
10 loops, best of 3: 76.2 ms per loop

In [20]: %timeit -n 1 t(1e6)
The slowest run took 8.00 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 790 ns per loop

如果減少計算量，可以看到當(dāng)降到明顯小值時，使用加速后的效果（以最差計）與不加速效果差距不大，因此如果涉及到較大計算量不妨使用jit 加速下，何況使用起來這么簡便。

%timeit -n 1 t(10)
1 loop, best of 3: 0 ns per loop

%timeit -n 100 t.__wrapped__(10)
100 loops, best of 3: 1.79 µs per loop

%timeit -n 1 t(1)
The slowest run took 17.00 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 395 ns per loop

%timeit -n 100 t.__wrapped__(1)
100 loops, best of 3: 671 ns per loop

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“如何使用numba對Python運(yùn)算加速”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!