当前位置：首页 > news >正文

广州建设专修学院seo导航

news 2025/8/21 9:08:37

广州建设专修学院,seo导航,可拖动网站,垂直网站开源码1. Numba 基础 1.1 什么是 Numba？ Numba 是一个 JIT 编译器，用于加速数值计算。它通过即时编译技术，将 Python 代码在运行时编译为机器代码，极大地提升执行速度，特别适合循环和矩阵操作等密集型计算。 2. Numba 基本…

1. Numba 基础

1.1 什么是 Numba？

Numba 是一个 JIT 编译器，用于加速数值计算。它通过即时编译技术，将 Python 代码在运行时编译为机器代码，极大地提升执行速度，特别适合循环和矩阵操作等密集型计算。

2. Numba 基本使用

2.1 `@jit` 装饰器

@jit 装饰器是 Numba 的基本加速手段，它将被装饰的函数动态编译为机器码，以提高性能。如果设置 nopython=True，它会进入无 Python 模式，完全避免 Python 的解释开销。

示例代码：

import numpy as np
from numba import jit# 使用 @jit 加速计算，启用 nopython 模式，保证最高的性能
@jit(nopython=True)
def sum_array(arr):total = 0for i in arr:  # 遍历数组元素并累加total += ireturn total# 生成一个随机的大型数组作为输入数据
data = np.random.rand(1000000)# 执行加速后的函数并输出结果
result = sum_array(data)
print(f"Sum result: {result}")

解释：

@jit(nopython=True) 指示 Numba 进入无 Python 模式，避免 Python 解释器的参与，获得最大性能提升。
sum_array 是一个简单的数组求和函数，由于使用了循环操作，因此 Numba 能够大幅加速执行。

2.2 `@njit` 装饰器

@njit 是 @jit(nopython=True) 的简写，功能相同，确保 Numba 进入无 Python 模式。

from numba import njit# 使用 @njit 直接进入无 Python 模式
@njit
def multiply_array(arr):total = 1for i in arr:  # 遍历数组元素并累乘total *= ireturn total# 生成随机数组并计算其元素的乘积
data = np.random.rand(1000000)
result = multiply_array(data)
print(f"Product result: {result}")

解释：

@njit 是一个简便的写法，相当于 @jit(nopython=True)，用于自动加速函数。
这里的 multiply_array 函数执行数组的累乘操作，Numba 对这种循环密集型任务有显著的加速效果。

3. Numba 与 NumPy

Numba 对 NumPy 的支持非常友好，它能够识别并加速 NumPy 的许多函数，特别是在处理大型矩阵和数组时，可以极大提升性能。

示例代码：使用 NumPy 和 Numba 加速矩阵运算

import numpy as np
from numba import njit# 使用 Numba 加速矩阵乘法
@njit
def matrix_mult(A, B):# 初始化结果矩阵为零矩阵C = np.zeros((A.shape[0], B.shape[1]))# 三重循环执行矩阵乘法for i in range(A.shape[0]):for j in range(B.shape[1]):for k in range(A.shape[1]):# 将A的行与B的列相乘累加C[i, j] += A[i, k] * B[k, j]return C# 生成两个500x500的随机矩阵
A = np.random.rand(500, 500)
B = np.random.rand(500, 500)# 执行加速后的矩阵乘法
C = matrix_mult(A, B)
print(C)

解释：

这里的 matrix_mult 是一个经典的三重循环矩阵乘法实现。由于是循环密集型操作，Numba 能够对其进行有效加速。
函数内使用了 NumPy 的 np.zeros 来初始化结果矩阵，这也是被 Numba 支持并优化的 NumPy 操作。

4. Numba 并行化

Numba 提供了并行化支持，允许在多核 CPU 上同时执行任务，提升性能。通过 @njit(parallel=True) 和 prange，你可以轻松并行化代码中的循环。

4.1 使用 `prange` 并行化

prange 是并行版本的 range，可以将循环的不同部分分配到多个线程中执行。

示例代码：并行化求和

from numba import njit, prange
import numpy as np# 使用并行化加速求和
@njit(parallel=True)
def parallel_sum(arr):total = 0# 使用 prange 代替 range 实现并行化循环for i in prange(len(arr)):total += arr[i]  # 各线程并行计算不同部分的数组求和return total# 生成随机数组
data = np.random.rand(1000000)# 执行并行求和
result = parallel_sum(data)
print(f"Parallel Sum Result: {result}")

解释：

prange 是 range 的并行版本，它将循环拆分为多个线程并行执行，从而充分利用多核 CPU。
@njit(parallel=True) 告诉 Numba 对这个函数进行并行优化。

4.2 并行化向量运算

对于一些简单的向量操作，比如数组归一化，Numba 的并行化也能提供很好的加速。

示例代码：并行化的数组归一化

@njit(parallel=True)
def normalize(arr):n = len(arr)result = np.empty(n)  # 初始化结果数组total = 0# 第一次并行循环计算数组的总和for i in prange(n):total += arr[i]mean = total / n  # 计算平均值# 第二次并行循环进行归一化操作for i in prange(n):result[i] = arr[i] / mean  # 将每个元素除以均值return result# 生成随机数组并进行归一化
data = np.random.rand(1000000)
normalized_data = normalize(data)
print(normalized_data[:10])  # 打印归一化结果的前10个元素

解释：

在这个例子中，prange 用于对两个独立的循环并行化：一个用于求和，另一个用于归一化。
Numba 可以高效地并行化向量操作，提高处理大规模数组的效率。

5. GPU 加速

Numba 支持使用 CUDA 将计算任务卸载到 GPU 上执行。GPU 非常擅长处理大规模并行计算，尤其是在矩阵运算和深度学习等领域。

5.1 安装 CUDA 支持

要使用 Numba 的 GPU 功能，首先你需要安装 NVIDIA CUDA Toolkit，并确保有一个支持 CUDA 的 NVIDIA GPU。

5.2 使用 CUDA 加速

示例代码：简单的 GPU 向量加法

from numba import cuda
import numpy as np# 定义一个在 GPU 上运行的内核函数
@cuda.jit
def gpu_add(a, b, c):i = cuda.grid(1)  # 获取线程的唯一ID（索引）if i < c.size:  # 确保索引在数组范围内c[i] = a[i] + b[i]  # 执行数组加法# 初始化输入数据
n = 1000000
a = np.random.rand(n)
b = np.random.rand(n)
c = np.zeros(n)# 将数据复制到 GPU
a_device = cuda.to_device(a)
b_device = cuda.to_device(b)
c_device = cuda.to_device(c)# 设置 GPU 线程数和块数
threads_per_block = 512
blocks_per_grid = (a_device.size + (threads_per_block - 1)) // threads_per_block# 调用 GPU 上的加法函数
gpu_add[blocks_per_grid, threads_per_block](a_device, b_device, c_device)# 将结果从 GPU 复制回 CPU
c = c_device.copy_to_host()print(c[:10])  # 打印结果的前10个元素

解释：