5

我想知道是否有人知道鹦鹉和 Numba jit 之间的一些主要区别？我很好奇，因为我将 Numexpr 与 Numba 和 parakeet 进行比较，并且对于这个特定的表达式（我希望在 Numexpr 上表现得非常好，因为它是其文档中提到的那个）

所以结果是

在此处输入图像描述

以及我测试的功能（通过 timeit - 每个功能至少 3 次重复和 10 次循环）

import numpy as np
import numexpr as ne
from numba import jit as numba_jit
from parakeet import jit as para_jit


def numpy_complex_expr(A, B):
    return(A*B-4.1*A > 2.5*B)

def numexpr_complex_expr(A, B):
    return ne.evaluate('A*B-4.1*A > 2.5*B')

@numba_jit
def numba_complex_expr(A, B):
    return A*B-4.1*A > 2.5*B

@para_jit
def parakeet_complex_expr(A, B):
    return A*B-4.1*A > 2.5*B

如果您想在您的机器上仔细检查结果，您也可以使用IPython nb 。

如果有人想知道 Numba 是否安装正确......我想是的，它在我之前的基准测试中按预期执行：

在此处输入图像描述

4

1 回答 1

5

从 Numba 的当前版本（您在测试中使用）开始，该@jit功能对 ufunc 的支持不完全。另一方面，您可以@vectorize更快地使用它：

import numpy as np
from numba import jit, vectorize
import numexpr as ne

def numpy_complex_expr(A, B):
    return(A*B+4.1*A > 2.5*B)

def numexpr_complex_expr(A, B):
    return ne.evaluate('A*B+4.1*A > 2.5*B')

@jit
def numba_complex_expr(A, B):
    return A*B+4.1*A > 2.5*B

@vectorize(['u1(float64, float64)'])
def numba_vec(A,B):
    return A*B+4.1*A > 2.5*B

n = 1000
A = np.random.rand(n,n)
B = np.random.rand(n,n)

计时结果：

%timeit numba_complex_expr(A,B)
1 loops, best of 3: 49.8 ms per loop

%timeit numpy_complex_expr(A,B)
10 loops, best of 3: 43.5 ms per loop

%timeit numexpr_complex_expr(A,B)
100 loops, best of 3: 3.08 ms per loop

%timeit numba_vec(A,B)
100 loops, best of 3: 9.8 ms per loop

如果您想充分利用 numba，那么您需要展开任何矢量化操作：

@jit
def numba_unroll2(A, B):
    C = np.empty(A.shape, dtype=np.uint8)
    for i in xrange(A.shape[0]):
        for j in xrange(A.shape[1]):
            C[i,j] = A[i,j]*B[i,j] + 4.1*A[i,j] > 2.5*B[i,j]

    return C

%timeit numba_unroll2(A,B)
100 loops, best of 3: 5.96 ms per loop

另请注意，如果您将 numexpr 使用的线程数设置为 1，那么您会发现它的主要速度优势在于它是并行化的：

ne.set_num_threads(1)
%timeit numexpr_complex_expr(A,B)
100 loops, best of 3: 8.87 ms per loop

默认情况下 numexprne.detect_number_of_cores()用作线程数。对于我机器上的原始时间，它使用的是 8。

于 2014-05-21T11:58:03.227 回答