1

NumbaPro 的 @vectorize 装饰器似乎是一种利用多核处理器进行数值计算的巧妙方法。不幸的是，以下相当小的示例会产生错误：

import numpy as np
from scipy.integrate import odeint
from numbapro import vectorize, float64, int64, jit

@vectorize([float64[:](float64[:], float64, float64, int64, float64, float64[:], float64)], target='parallel')
def heat_equation(x, t, a, p, h, dxdt, pi):
    for i in xrange(p-1):
        dxdt[i] = a * (x[i-1] - 2 * x[i] + x[i+1]) / h / h
    dxdt[0] = 2*pi*np.cos(2*pi*t)
    dxdt[p-1] = 0
    return dxdt

if __name__ == '__main__':
    p = 200
    h = 1. / (p-1)
    a = 0.125
    x = np.linspace(0, 1, p)
    y0 = np.zeros(p)
    dxdt = np.zeros(p, dtype=np.float64)
    pi = np.pi
    for i in xrange(p):
        y0[i] = 0
    timeVector = np.linspace(0, 10, 100)
    solVector = odeint(heat_equation, y0, timeVector, args=(a, p, h, dxdt, pi))
    print solVector[-1, p/2]

上面的代码使用 @jit 装饰器可以正常工作，但尝试 @vectorize 会出现以下错误：

ValueError: format number 1 of "array(float64, 1d, A)" is not recognized

显然，装饰器参数存在问题，但类型签名对我来说看起来是正确的。是否有一些我不遵守的额外限制？

编辑：修改代码以避免在装饰函数中使用 numpy.zeros 和 numpy.pi 根据下面 Bakuriu 的有用评论，并相应地调整收到的错误。

4

1 回答 1

0

用@jit 修饰的代码通常不能直接移植到@vectorize。@vectorize 将修饰函数转换为 NumPy ufunc 核心（http://docs.scipy.org/doc/numpy/reference/ufuncs.html）。@vectorize 的额外限制是核心函数（被修饰的函数）的所有参数必须是标量。如果需要数组参数，请使用 @guvectorize。有关示例，请参见http://numba.pydata.org/numba-doc/dev/ufuncs.html#generalized-ufuncs。

于 2014-06-12T21:51:59.180 回答