一行代码让你的python运行速度提高100倍!Python真强!
python一直被病垢运行速度太慢,但是实际上python的执行效率并不慢,慢的是python用的解释器Cpython运行效率太差。 “一行代码让python的运行速度提高100倍”这绝不是哗众取宠的论调。 我们来看一下这个最简单的例子,从1一直累加到1亿。 最原始的代码: 进群:548377875 ?即可获取数十套PDF哦! import time def foo(x,y): tt = time.time() s = 0 for i in range(x,y): s += i print('Time used: {} sec'.format(time.time()-tt)) return s print(foo(1,100000000)) 结果: Time used: 6.779874801635742 sec 4999999950000000 我们来加一行代码,再看看结果: from numba import jit import time @jit def foo(x,100000000)) 结果: Time used: 0.04680037498474121 sec 4999999950000000 是不是快了100多倍呢? 那么下面就分享一下“为啥numba库的jit模块那么牛掰?” NumPy的创始人Travis Oliphant在离开Enthought之后,创建了CONTINUUM,致力于将Python大数据处理方面的应用。最近推出的Numba项目能够将处理NumPy数组的Python函数JIT编译为机器码执行,从而上百倍的提高程序的运算速度。 Numba项目的主页上有Linux下的详细安装步骤。编译LLVM需要花一些时间。 Windows用户可以从Unofficial Windows Binaries for Python Extension Packages下载安装LLVMPy、meta和numba等几个扩展库。 下面我们看一个例子: import numba as nb from numba import jit @jit('f8(f8[:])') def sum1d(array): s = 0.0 n = array.shape[0] for i in range(n): s += array[i] return s import numpy as np array = np.random.random(10000) %timeit sum1d(array) %timeit np.sum(array) %timeit sum(array) 10000 loops,best of 3: 38.9 us per loop 10000 loops,best of 3: 32.3 us per loop 100 loops,best of 3: 12.4 ms per loop numba中提供了一些修饰器,它们可以将其修饰的函数JIT编译成机器码函数,并返回一个可在Python中调用机器码的包装对象。为了能将Python函数编译成能高速执行的机器码,我们需要告诉JIT编译器函数的各个参数和返回值的类型。我们可以通过多种方式指定类型信息,在上面的例子中,类型信息由一个字符串’f8(f8[:])’指定。其中’f8’表示8个字节双精度浮点数,括号前面的’f8’表示返回值类型,括号里的表示参数类型,’[:]’表示一维数组。因此整个类型字符串表示sum1d()是一个参数为双精度浮点数的一维数组,返回值是一个双精度浮点数。 需要注意的是,JIT所产生的函数只能对指定的类型的参数进行运算: print sum1d(np.ones(10,dtype=np.int32)) print sum1d(np.ones(10,dtype=np.float32)) print sum1d(np.ones(10,dtype=np.float64)) 1.2095376009e-312 1.46201599944e+185 10.0 如果希望JIT能针对所有类型的参数进行运算,可以使用autojit: from numba import autojit @autojit def sum1d2(array): s = 0.0 n = array.shape[0] for i in range(n): s += array[i] return s %timeit sum1d2(array) print sum1d2(np.ones(10,dtype=np.int32)) print sum1d2(np.ones(10,dtype=np.float32)) print sum1d2(np.ones(10,dtype=np.float64)) 10000 loops,best of 3: 143 us per loop 10.0 10.0 10.0 autoit虽然可以根据参数类型动态地产生机器码函数,但是由于它需要每次检查参数类型,因此计算速度也有所降低。numba的用法很简单,基本上就是用jit和autojit这两个修饰器,和一些类型对象。下面的程序列出numba所支持的所有类型: print [obj for obj in nb.__dict__.values() if isinstance(obj,nb.minivect.minitypes.Type)] [size_t,Py_uintptr_t,uint16,complex128,float,complex256,void,int,long double,unsigned PY_LONG_LONG,uint32,complex64,object_,npy_intp,const char *,double,unsigned short,uint64,uint8,int8,int32,char,long,unsigned char,PY_LONG_LONG,int64,int16,unsigned long,unsigned int,short,Py_ssize_t] 工作原理 numba的通过meta模块解析Python函数的ast语法树,对各个变量添加相应的类型信息。然后调用llvmpy生成机器码,最后再生成机器码的Python调用接口。 meta模块 通过研究numba的工作原理,我们可以找到许多有用的工具。例如meta模块可在程序源码、ast语法树以及Python二进制码之间进行相互转换。下面看一个例子: def add2(a,b): return a + b decompile_func能将函数的代码对象反编译成ast语法树,而str_ast能直观地显示ast语法树,使用这两个工具学习Python的ast语法树是很有帮助的。 from meta.decompiler import decompile_func from meta.asttools import str_ast print str_ast(decompile_func(add2)) FunctionDef(args=arguments(args=[Name(ctx=Param(),id='a'),Name(ctx=Param(),id='b')],defaults=[],kwarg=None,vararg=None),body=[Return(value=BinOp(left=Name(ctx=Load(),op=Add(),right=Name(ctx=Load(),id='b')))],decorator_list=[],name='add2') 而python_source可以将ast语法树转换为Python源代码: from meta.asttools import python_source python_source(decompile_func(add2)) def add2(a,b): return (a + b) decompile_pyc将上述二者结合起来,它能将Python编译之后的pyc或者pyo文件反编译成源代码。下面我们先写一个tmp.py文件,然后通过py_compile将其编译成tmp.pyc。 with open("tmp.py","w") as f: f.write(""" def square_sum(n): s = 0 for i in range(n): s += i**2 return s """) import py_compile py_compile.compile("tmp.py") 下面调用decompile_pyc将tmp.pyc显示为源代码: with open("tmp.pyc","rb") as f: decompile_pyc(f) def square_sum(n): s = 0 for i in range(n): s += (i ** 2) return s llvmpy模块 LLVM是一个动态编译器,llvmpy则可以通过Python调用LLVM动态地创建机器码。直接通过llvmpy创建机器码是比较繁琐的,例如下面的程序创建一个计算两个整数之和的函数,并调用它计算结果。 from llvm.core import Module,Type,Builder from llvm.ee import ExecutionEngine,GenericValue # Create a new module with a function implementing this: # # int add(int a,int b) { # return a + b; # } # my_module = Module.new('my_module') ty_int = Type.int() ty_func = Type.function(ty_int,[ty_int,ty_int]) f_add = my_module.add_function(ty_func,"add") f_add.args[0].name = "a" f_add.args[1].name = "b" bb = f_add.append_basic_block("entry") # IRBuilder for our basic block builder = Builder.new(bb) tmp = builder.add(f_add.args[0],f_add.args[1],"tmp") builder.ret(tmp) # Create an execution engine object. This will create a JIT compiler # on platforms that support it,or an interpreter otherwise ee = ExecutionEngine.new(my_module) # Each argument needs to be passed as a GenericValue object,which is a kind # of variant arg1 = GenericValue.int(ty_int,100) arg2 = GenericValue.int(ty_int,42) # Now let's compile and run! retval = ee.run_function(f_add,[arg1,arg2]) # The return value is also GenericValue. Let's print it. print "returned",retval.as_int() returned 142 f_add就是一个动态生成的机器码函数,我们可以把它想象成C语言编译之后的函数。在上面的程序中,我们通过ee.run_function调用此函数,而实际上我们还可以获得它的地址,然后通过Python的ctypes模块调用它。 首先通过ee.get_pointer_to_function获得f_add函数的地址: addr = ee.get_pointer_to_function(f_add) addr 2975997968L 然后通过ctypes.PYFUNCTYPE创建一个函数类型: import ctypes f_type = ctypes.PYFUNCTYPE(ctypes.c_int,ctypes.c_int,ctypes.c_int) 最后通过f_type将函数的地址转换为可调用的Python函数,并调用它: f = f_type(addr) f(100,42) 142 numba所完成的工作就是: 解析Python函数的ast语法树并加以改造,添加类型信息; 将带类型信息的ast语法树通过llvmpy动态地转换为机器码函数,然后再通过和ctypes类似的技术为机器码函数创建包装函数供Python调用。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |
- flask开发中遇到 Encountered unknown tag 'endblock&#
- Python使用当前时间、随机数产生一个唯一数字的方法
- python – Anaconda Spyder Qt库在启动时出错
- ImportError:无法导入任何qt绑定,Python – Tensorflow
- python升级最新2.7.x的简单示例
- PyQt实现简单的计算器
- python – 避免重复str.format的相同参数
- Python的字典排序列表,最后为零值
- Python-3.5 typing.Generic子类从不调用`__init__`
- python – scipy.sparse函数释放GIL吗?