企业官网建设流程全解析

深圳网站维护优化,企业网站建设合同百度文库,微信小程序营销推广,系统的网站建设教程python由于它动态解释性语言的特性#xff0c;跑起代码来相比java、c要慢很多#xff0c;尤其在做科学计算的时候#xff0c;十亿百亿级别的运算#xff0c;让python的这种劣势更加凸显。办法永远比困难多#xff0c;numba就是解决python慢的一大利器#xff0c;可以让py…python由于它动态解释性语言的特性跑起代码来相比java、c要慢很多尤其在做科学计算的时候十亿百亿级别的运算让python的这种劣势更加凸显。办法永远比困难多numba就是解决python慢的一大利器可以让python的运行速度提升上百倍什么是numbanumba是一款可以将python函数编译为机器代码的JIT编译器经过numba编译的python代码仅限数组运算其运行速度可以接近C或FORTRAN语言。python之所以慢是因为它是靠CPython编译的numba的作用是给python换一种编译器。python、c、numba三种编译器速度对比使用numba非常简单只需要将numba装饰器应用到python函数中无需改动原本的python代码numba会自动完成剩余的工作。import numpy as npimport numbafrom numba import jitjit(nopythonTrue) # jitnumba装饰器中的一种def go_fast(a): # 首次调用时函数被编译为机器代码trace 0# 假设输入变量是numpy数组for i in range(a.shape[0]): # Numba 擅长处理循环trace np.tanh(a[i, i])return a trace以上代码是一个python函数用以计算numpy数组各个数值的双曲正切值我们使用了numba装饰器它将这个python函数编译为等效的机器代码可以大大减少运行时间。numba适合科学计算numpy是为面向numpy数组的计算任务而设计的。在面向数组的计算任务中数据并行性对于像GPU这样的加速器是很自然的。Numba了解NumPy数组类型并使用它们生成高效的编译代码用于在GPU或多核CPU上执行。特殊装饰器还可以创建函数像numpy函数那样在numpy数组上广播。什么情况下使用numba呢使用numpy数组做大量科学计算时使用for循环时学习使用numba第一步导入numpy、numba及其编译器import numpy as npimport numbafrom numba import jit第二步传入numba装饰器jit编写函数# 传入jitnumba装饰器中的一种jit(nopythonTrue)def go_fast(a): # 首次调用时函数被编译为机器代码trace 0# 假设输入变量是numpy数组for i in range(a.shape[0]): # Numba 擅长处理循环trace np.tanh(a[i, i]) # numba喜欢numpy函数return a trace # numba喜欢numpy广播nopython True选项要求完全编译该函数以便完全删除Python解释器调用否则会引发异常。这些异常通常表示函数中需要修改的位置以实现优于Python的性能。强烈建议您始终使用nopython True。第三步给函数传递实参# 因为函数要求传入的参数是nunpy数组x np.arange(100).reshape(10, 10)# 执行函数go_fast(x)第四步经numba加速的函数执行时间% timeit go_fast(x)输出3.63 µs ± 156 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)第五步不经numba加速的函数执行时间def go_fast(a): # 首次调用时函数被编译为机器代码trace 0# 假设输入变量是numpy数组for i in range(a.shape[0]): # Numba 擅长处理循环trace np.tanh(a[i, i]) # numba喜欢numpy函数return a trace # numba喜欢numpy广播x np.arange(100).reshape(10, 10)%timeit go_fast(x)输出136 µs ± 1.09 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)结论在numba加速下代码执行时间为3.63微秒/循环。不经过numba加速代码执行时间为136微秒/循环两者相比前者快了40倍。numba让python飞起来前面已经对比了numba使用前后python代码速度提升了40倍但这还不是最快的。这次我们不使用numpy数组仅用for循环看看nunba对for循环到底有多钟爱​​​​​​​# 不使用numba的情况def t():x 0for i in np.arange(5000):x ireturn x%timeit(t())输出408 µs ± 9.73 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)# 使用numba的情况jit(nopythonTrue)def t():x 0for i in np.arange(5000):x ireturn x%timeit(t())输出1.57 µs ± 53.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)使用numba前后分别是408微秒/循环、1.57微秒/循环速度整整提升了200多倍结语numba对python代码运行速度有巨大的提升这极大的促进了大数据时代的python数据分析能力对数据科学工作者来说这真是一个lucky tool 当然numba不会对numpy和for循环以外的python代码有很大帮助你不要指望numba可以帮你加快从数据库取数这点它真的做不到哈。