Python性能屌炸天和C语言相媲美,比尔盖茨求爱成功

 pypy1.86秒比VB6还快了,比VFB差一丢丢,比VC++还快?不愧宇宙第一编程语言

实际上它就是vb的语法,非职业程序员最爱。可惜微软把vb家族抛弃的一干二净了。开源加跨平台势不可挡。微软都抱他的大腿了,专业开发人员也离不开他。

难怪微软把网页版本的Excel云端用了py做后台,vba 9秒,py加速一下只有2秒。

Python性能屌炸天和C语言相媲美,比尔盖茨求爱成功_第1张图片

Python | 加一行注释,让你的程序提速10+倍!numba库十分钟上手指南

如果你在使用Python进行高性能计算,Numba提供的加速效果可以比肩原生的C/C++程序,只需要在函数上添加一行@jit的装饰。它支持CPU和GPU,是数据科学家必不可少的编程利器。

已经提到计算机只能执行二进制的机器码,C、C++等编译型语言依靠编译器将源代码转化为可执行文件后才能运行,Python、Java等解释型语言使用解释器将源代码翻译后在虚拟机上执行。对于Python,由于解释器的存在,其执行效率比C语言慢几倍甚至几十倍。

以C语言为基准,不同编程语言性能测试比较

10亿次求余计算=====

import time

start_time = time.time()

count = 0

for num in range(1, 1000000000):

    if num % 7 == 0:

        count += 1

end_time = time.time()

execution_time = end_time - start_time

print("0的个数:", count)

print("计算所用时间:", execution_time, "秒")

比较了当前流行的各大编程语言在几个不同任务上的计算速度。C语言经过几十年的发展,优化已经达到了极致。以C语言为基准,大多数解释语言,如Python、R会慢十倍甚至一百倍。Julia这个解释语言是个“奇葩”,因为它采用了JIT编译技术。

解决Python执行效率低的问题,一种解决办法是使用C/C++语言重写Python函数,但是这要求程序员对C/C++语言熟悉,且调试速度慢,不适合绝大多数Python程序员。另外一种非常方便快捷的解决办法就是使用Just-In-Time(JIT)技术,本文将解释JIT技术的原理,并提供几个案例,让你十分钟内学会JIT技术。

Python解释器工作原理

Python是一门解释语言,Python为我们提供了基于硬件和操作系统的一个虚拟机,并使用解释器将源代码转化为虚拟机可执行的字节码。字节码在虚拟机上执行,得到结果

Python解释器工作原理

我们使用python example.py来执行一份源代码时,Python解释器会在后台启动一个字节码编译器(Bytecode Compiler),将源代码转换为字节码。字节码是一种只能运行在虚拟机上的文件,Python的字节码默认后缀为.pyc,Python生成.pyc后一般放在内存中继续使用,并不是每次都将.pyc文件保存到磁盘上。有时候我们会看到自己Python代码文件夹里有很多.pyc文件与.py文件同名,但也有很多时候看不到.pyc文件。pyc字节码通过Python虚拟机与硬件交互。虚拟机的出现导致程序和硬件之间增加了中间层,运行效率大打折扣。相信使用过虚拟机软件的朋友深有体会,在原生的系统上安装一个虚拟机软件,在虚拟机上再运行一个其他系统,经常感觉速度下降,体验变差,这与Python虚拟机导致程序运行慢是一个原理。

 

Just-In-Time(JIT)技术为解释语言提供了一种优化,它能克服上述效率问题,极大提升代码执行速度,同时保留Python语言的易用性。使用JIT技术时,JIT编译器将Python源代码编译成机器直接可以执行的机器语言,并可以直接在CPU等硬件上运行。这样就跳过了原来的虚拟机,执行速度几乎与用C语言编程速度并无二致。

 

十分钟上手Numba

Numba是一个针对Python的开源JIT编译器,由Anaconda公司主导开发,可以对原生代码进行CPU和GPU加速。

 

使用conda安装Numba:

 

$ conda install numba

或者使用pip安装:

 

$ pip install numba

使用时,只需要在原来的函数上添加一行"注释":

 

from numba import jit

import numpy as np

 

SIZE = 2000

x = np.random.random((SIZE, SIZE))

 

"""

给定n*n矩阵,对矩阵每个元素计算tanh值,然后求和。

因为要循环矩阵中的每个元素,计算复杂度为 n*n。

"""

@jit

def jit_tan_sum(a): # 函数在被调用时编译成机器语言

    tan_sum = 0

    for i in range(SIZE): # Numba 支持循环

        for j in range(SIZE):

            tan_sum += np.tanh(a[i, j]) # Numba 支持绝大多数NumPy函数

    return tan_sum

 

print(jit_tan_sum(x))

我们只需要在原来的代码上添加一行@jit,即可将一个函数编译成机器码,其他地方都不需要更改。@符号装饰了原来的代码,所以称类似写法为装饰器。

 

在我的Core i5处理器上,添加@jit装饰器后,上面的代码执行速度提升了23倍!而且随着数据和计算量的增大,numba的性能提升可能会更大!很多朋友的代码可能需要执行十几个小时甚至一天,进行加速,完全有可能把一天的计算量缩短到几个小时!

 

Numba的使用场景

Numba简单到只需要在函数上加一个装饰就能加速程序,但也有缺点。目前Numba只支持了Python原生函数和部分NumPy函数,其他一些场景可能不适用。比如Numba官方给出这样的例子:

 

from numba import jit

import pandas as pd

 

x = {'a': [1, 2, 3], 'b': [20, 30, 40]}

 

@jit

def use_pandas(a): # Function will not benefit from Numba jit

    df = pd.DataFrame.from_dict(a) # Numba doesn't know about pd.DataFrame

    df += 1 # Numba doesn't understand what this is

    return df.cov() # or this!

 

print(use_pandas(x))

pandas是更高层次的封装,Numba其实不能理解它里面做了什么,所以无法对其加速。一些大家经常用的机器学习框架,如scikit-learn,tensorflow,pytorch等,已经做了大量的优化,不适合再使用Numba做加速。

 

此外,Numba不支持:

 

try…except 异常处理

with 语句

yield from

注 Numba当前支持的功能: http://numba.pydata.org/numba-doc/latest/reference/pysupported.html

 

那如何决定是否使用Numba呢?

 

Numba的@jit装饰器就像自动驾驶,用户不需要关注到底是如何优化的,Numba去尝试进行优化,如果发现不支持,那么Numba会继续用Python原来的方法去执行该函数,即图 Python解释器工作原理中左侧部分。这种模式被称为object模式。前文提到的pandas的例子,Numba发现无法理解里面的内容,于是自动进入了object模式。object模式还是和原生的Python一样慢,还有可能比原来更慢。

 

Numba真正牛逼之处在于其nopython模式。将装饰器改为@jit(nopython=True)或者@njit,Numba会假设你已经对所加速的函数非常了解,强制使用加速的方式,不会进入object模式,如编译不成功,则直接抛出异常。nopython的名字会有点歧义,我们可以理解为不使用很慢的Python,强制进入图 Python解释器工作原理中右侧部分。

 

实践上,一般推荐将代码中计算密集的部分作为单独的函数提出来,并使用nopython方式优化,这样可以保证我们能使用到Numba的加速功能。其余部分还是使用Python原生代码,在计算加速的前提下,避免过长的编译时间。(有关编译时间的问题下节将会介绍。)Numba可以与NumPy紧密结合,两者一起,常常能够得到近乎C语言的速度。尽管Numba不能直接优化pandas,但是我们可以将pandas中处理数据的for循环作为单独的函数提出来,再使用Numba加速。

 

编译开销

编译源代码需要一定的时间。C/C++等编译型语言要提前把整个程序先编译好,再执行可执行文件。Numba库提供的是一种懒编译(Lazy Compilation)技术,即在运行过程中第一次发现代码中有@jit,才将该代码块编译。用到的时候才编译,看起来比较懒,所以叫懒编译。使用Numba时,总时间 = 编译时间 + 运行时间。相比所能节省的计算时间,编译的时间开销很小,所以物有所值。对于一个需要多次调用的Numba函数,只需要编译一次,后面再调用时就不需要编译了。

 

from numba import jit

import numpy as np

import time

 

SIZE = 2000

x = np.random.random((SIZE, SIZE))

 

"""

给定n*n矩阵,对矩阵每个元素计算tanh值,然后求和。

因为要循环矩阵中的每个元素,计算复杂度为 n*n。

"""

@jit

def jit_tan_sum(a): # 函数在被调用时编译成机器语言

    tan_sum = 0

    for i in range(SIZE): # Numba 支持循环

        for j in range(SIZE):

            tan_sum += np.tanh(a[i, j]) # Numba 支持绝大多数NumPy函数

    return tan_sum

 

# 总时间 = 编译时间 + 运行时间

start = time.time()

jit_tan_sum(x)

end = time.time()

print("Elapsed (with compilation) = %s" % (end - start))

 

# Numba将加速的代码缓存下来

# 总时间 = 运行时间

start = time.time()

jit_tan_sum(x)

end = time.time()

print("Elapsed (after compilation) = %s" % (end - start))

代码中两次调用Numba优化函数,第一次执行时需要编译,第二次使用缓存的代码,运行时间将大大缩短:

 

Elapsed (with compilation) = 0.49199914932250977

Elapsed (after compilation) = 0.0364077091217041

原生Python速度慢的另一个重要原因是变量类型不确定。声明一个变量的语法很简单,如a = 1,但没有指定a到底是一个整数和一个浮点小数。Python解释器要进行大量的类型推断,会非常耗时。同样,引入Numba后,Numba也要推断输入输出的类型,才能转化为机器码。针对这个问题,Numba给出了名为Eager Compilation的优化方式。

 

from numba import jit, int32

 

@jit("int32(int32, int32)", nopython=True)

def f2(x, y):

    # A somewhat trivial example

    return x + y

@jit(int32(int32, int32))告知Numba你的函数在使用什么样的输入和输出,括号内是输入,括号左侧是输出。这样不会加快执行速度,但是会加快编译速度,可以更快将函数编译到机器码上。

 

Numba到底有多快

网上有很多对Numba进行性能评测的文章,在一些计算任务上,Numba结合NumPy,可得到接近C语言的速度。

Numba性能测试

Numba的更多功能

除了上面介绍的加速功能,Numba还有很多其他功能。@vectorize装饰器可以将一个函数向量化,变成类似NumPy函数一样,直接处理矩阵和张量。R语言用户可能非常喜欢这个功能。

 

Numba还可以使用GPU进行加速,目前支持英伟达的CUDA和AMD的ROC。GPU的工作原理和编程方法与CPU略有不同,本专栏会在后续文章中介绍GPU编程。

 

Numba原理

Numba编译过程

Numba使用了LLVM和NVVM技术,这个技术可以将Python、Julia这样的解释语言直接翻译成CPU或GPU可执行的机器码。

小结

无论你是在做金融量化分析,还是计算机视觉,如果你在使用Python进行高性能计算,处理矩阵和张量,或包含其他计算密集型运算,Numba提供的加速效果可以比肩原生的C/C++程序,只需要在函数上添加一行@jit的装饰。它支持CPU和GPU,是数据科学家必不可少的编程利器。

 

 

 

你可能感兴趣的:(高速爬虫,软件行业,VC++,python,c#,c语言,前端,爬虫)