一、numba是什么

Numba是一個針對Python的開源JIT編譯器，由Anaconda公司主導開發，可以對Python原生代碼進行CPU和GPU加速。Numba對NumPy數組和函數非常友好。解釋器可以參考第四章內容。

CUDA C編程開發成本高，所以一般會用python先嘗試加速模型訓練。numba包就是python提供的GPU編程開發包。只管調用就對了。

除此之外還有很多，比方說等價于numpy的cupy，用于矩陣運算，pycuda之類的，tensorflow，pytorch等等。

參考這篇文章：numba與cupy

二、numba下載與安裝

使用conda安裝Numba：

$ conda install numba

或者使用pip安裝：

$ pip install numba

三、numba的使用

使用方法很簡單，想寫好真不容易！！！

from numba import jit
import numpy as npa = np.arange(10)
b = np.arange(1,11)@jit
def test():return a+btest()

我們只需要在原來的代碼上添加一行@jit，即可將一個函數編譯成機器碼，其他地方都不需要更改。@符號裝飾了原來的代碼，所以稱類似寫法為裝飾器。

這里裝飾的函數調用的API是有限制的！！！！比如pandas是更高層次的封裝，Numba其實不能理解它里面做了什么，所以無法對其加速。一些大家經常用的機器學習框架，如scikit-learn，tensorflow，pytorch等，已經做了大量的優化，不適合再使用Numba做加速。

此外，Numba不支持：try…except 異常處理，with 語句，類定義class，yield from

Numba的@jit裝飾器就像自動駕駛，用戶不需要關注到底是如何優化的，Numba去嘗試進行優化，如果發現不支持，那么Numba會繼續用Python原來的方法去執行該函數，即圖 Python解釋器工作原理中左側部分。這種模式被稱為object模式。

Numba真正牛逼之處在于其nopython模式。將裝飾器改為@jit(nopython=True)或者@njit，Numba會假設你已經對所加速的函數非常了解，強制使用加速的方式，不會進入object模式，如編譯不成功，則直接拋出異常。nopython的名字會有點歧義，我們可以理解為不使用很慢的Python，強制進入圖 Python解釋器工作原理中右側部。簡而言之，無腦nonpython模式就對了！！！！

注意點一

Numba庫提供的是一種懶編譯（Lazy Compilation）技術，即在運行過程中第一次發現代碼中有@jit，才將該代碼塊編譯。用到的時候才編譯，看起來比較懶，所以叫懶編譯。使用Numba時，總時間 = 編譯時間 + 運行時間。相比所能節省的計算時間，編譯的時間開銷很小，所以物有所值。對于一個需要多次調用的Numba函數，只需要編譯一次，后面再調用時就不需要編譯了。

注意點二

原生Python速度慢的另一個重要原因是變量類型不確定。聲明一個變量的語法很簡單，如a = 1，但沒有指定a到底是一個整數和一個浮點小數。Python解釋器要進行大量的類型推斷，會非常耗時。同樣，引入Numba后，Numba也要推斷輸入輸出的類型，才能轉化為機器碼。針對這個問題，Numba給出了名為Eager Compilation的優化方式。

from numba import jit, int32@jit("int32(int32, int32)", nopython=True)
def f2(x, y):return x + y

@jit(int32(int32, int32))告知Numba你的函數在使用什么樣的輸入和輸出，括號內是輸入，括號左側是輸出。這樣不會加快執行速度，但是會加快編譯速度，可以更快將函數編譯到機器碼上。

具體用法參考皮皮魯的科技星球

調用cuda，不需要選擇njit修飾器，用cuda.jit即可

from numba import cuda
@cuda.jit
def gpu_add(a, b, result, N):idxWithinGrid = cuda.threadIdx.x + cuda.blockIdx.x * cuda.blockDim.x gridStride = cuda.gridDim.x * cuda.blockDim.xfor i in range(idxWithinGrid, N, gridStride):result[i] = a[i] + b[i]

四、numba的原理

python慢的原因主要是因為解釋器。解決辦法有倆個，一種解決辦法是使用C/C++語言重寫Python函數，但是這要求程序員對C/C++語言熟悉，且調試速度慢，不適合絕大多數Python程序員。另外一種非常方便快捷的解決辦法就是使用Just-In-Time（JIT）技術。

Just-In-Time（JIT）技術為解釋語言提供了一種優化，它能克服上述效率問題，極大提升代碼執行速度，同時保留Python語言的易用性。使用JIT技術時，JIT編譯器將Python源代碼編譯成機器直接可以執行的機器語言，并可以直接在CPU等硬件上運行。這樣就跳過了原來的虛擬機，執行速度幾乎與用C語言編程速度并無二致。

總結

以上是生活随笔為你收集整理的numba安装与使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。