1.介紹
Numba 是 python 的即時(Just-in-time)編譯器，即當你調(diào)用 python 函數(shù)時，你的全部或部分代碼就會被轉(zhuǎn)換為“即時”執(zhí)行的機器碼，它將以你的本地機器碼速度運行!它由 Anaconda 公司贊助，并得到了許多其他組織的支持。
在 Numba 的幫助下，你可以加速所有計算負載比較大的 python 函數(shù)(例如循環(huán))。它還支持 numpy 庫!所以，你也可以在你的計算中使用 numpy，并加快整體計算，因為 python 中的循環(huán)非常慢。你還可以使用 python 標準庫中的 math 庫的許多函數(shù)，如 sqrt 等。有關(guān)所有兼容函數(shù)的完整列表，請查看 此處。
2.為什么選擇 Numba?
那么，當有像 cython 和 Pypy 之類的許多其他編譯器時，為什么要選擇 numba?
原因很簡單，這樣你就不必離開寫 python 代碼的舒適區(qū)。是的，就是這樣，你根本不需要為了獲得一些的加速來改變你的代碼，這與你從類似的具有類型定義的 cython 代碼獲得的加速相當。那不是很好嗎?
你只需要添加一個熟悉的 python 功能，即添加一個包裝器(一個裝飾器)到你的函數(shù)上。類的裝飾器也在開發(fā)中了。
所以，你只需要添加一個裝飾器就可以了。例如：
這仍然看起來像一個原生 python 代碼，不是嗎?
3.如何使用 Numba?
Numba 使用 LLVM 編譯器基礎結(jié)構(gòu) 將原生 python 代碼轉(zhuǎn)換成優(yōu)化的機器碼。使用 numba 運行代碼的速度可與 C/C++ 或 Fortran 中的類似代碼相媲美。
以下是代碼的編譯方式：
首先，Python 函數(shù)被傳入，優(yōu)化并轉(zhuǎn)換為 numba 的中間表達，然后在類型推斷(type inference)之后，就像 numpy 的類型推斷(所以 python float 是一個 float64)，它被轉(zhuǎn)換為 LLVM 可解釋代碼。然后將此代碼提供給 LLVM 的即時編譯器以生成機器碼。
你可以根據(jù)需要在運行時或?qū)霑r 生成 機器碼，導入需要在 CPU(默認)或 GPU 上進行。
4.使用 numba 的基本功能
(只需要加上 @jit !)
為了獲得最佳性能，numba 實際上建議在你的 jit 裝飾器中加上 nopython=True 參數(shù)，加上后就不會使用 Python 解釋器了。或者你也可以使用 @njit。如果你加上 nopython=True的裝飾器失敗并報錯，你可以用簡單的 @jit 裝飾器來編譯你的部分代碼，對于它能夠編譯的代碼，將它們轉(zhuǎn)換為函數(shù)，并編譯成機器碼。然后將其余部分代碼提供給 python 解釋器。
所以，你只需要這樣做：
當使用 @jit 時，請確保你的代碼有 numba 可以編譯的內(nèi)容，比如包含庫(numpy)和它支持的函數(shù)的計算密集型循環(huán)。否則它將不會編譯任何東西，并且你的代碼將比沒有使用 numba 時更慢，因為存在 numba 內(nèi)部代碼檢查的額外開銷。
還有更好的一點是，numba 會對首次作為機器碼使用后的函數(shù)進行緩存。因此，在第一次使用之后它將更快，因為它不需要再次編譯這些代碼，如果你使用的是和之前相同的參數(shù)類型。
如果你的代碼是 可并行化 的，你也可以傳遞 parallel=True 作為參數(shù)，但它必須與 nopython=True 一起使用，目前這只適用于CPU。
你還可以指定希望函數(shù)具有的函數(shù)簽名，但是這樣就不會對你提供的任何其他類型的參數(shù)進行編譯。例如：
現(xiàn)在你的函數(shù)只能接收兩個 int32 類型的參數(shù)并返回一個 int32 類型的值。通過這種方式，你可以更好地控制你的函數(shù)。如果需要，你甚至可以傳遞多個函數(shù)簽名。
你還可以使用 numba 提供的其他裝飾器：
@vectorize：允許將標量參數(shù)作為 numpy 的 ufuncs 使用，
@guvectorize：生成 NumPy 廣義上的 ufuncs，
@stencil：定義一個函數(shù)使其成為 stencil 類型操作的核函數(shù)
@jitclass：用于 jit 類，
@cfunc：聲明一個函數(shù)用于本地回調(diào)(被C/C++等調(diào)用)，
@overload：注冊你自己的函數(shù)實現(xiàn)，以便在 nopython 模式下使用，例如：@overload(scipy.special.j0)。
Numba 還有 Ahead of time(AOT)編譯，它生成不依賴于 Numba 的已編譯擴展模塊。但：
它只允許常規(guī)函數(shù)(ufuncs 就不行)，
你必須指定函數(shù)簽名。并且你只能指定一種簽名，如果需要指定多個簽名，需要使用不同的名字。
它還根據(jù)你的CPU架構(gòu)系列生成通用代碼。
5.@vectorize 裝飾器
通過使用 @vectorize 裝飾器，你可以對僅能對標量操作的函數(shù)進行轉(zhuǎn)換，例如，如果你使用的是僅適用于標量的 python 的 math 庫，則轉(zhuǎn)換后就可以用于數(shù)組。這提供了類似于 numpy 數(shù)組運算(ufuncs)的速度。例如：
你還可以將 target 參數(shù)傳遞給此裝飾器，該裝飾器使 target 參數(shù)為 parallel 時用于并行化代碼，為 cuda 時用于在 cudaGPU 上運行代碼。
使 target=“parallel” 或 “cuda” 進行矢量化通常比 numpy 實現(xiàn)的代碼運行得更快，只要你的代碼具有足夠的計算密度或者數(shù)組足夠大。如果不是，那么由于創(chuàng)建線程以及將元素分配到不同線程需要額外的開銷，因此可能耗時更長。所以運算量應該足夠大，才能獲得明顯的加速。
這個視頻講述了一個用 Numba 加速用于計算流體動力學的Navier Stokes方程的例子：
6.在GPU上運行函數(shù)
你也可以像裝飾器一樣傳遞 @jit 來運行 cuda/GPU 上的函數(shù)。為此你必須從 numba 庫中導入 cuda。但是要在 GPU 上運行代碼并不像之前那么容易。為了在 GPU 上的數(shù)百甚至數(shù)千個線程上運行函數(shù)，需要先做一些初始計算。實際上，你必須聲明并管理網(wǎng)格，塊和線程的層次結(jié)構(gòu)。這并不那么難。
要在GPU上執(zhí)行函數(shù)，你必須定義一個叫做 核函數(shù) 或 設備函數(shù) 的函數(shù)。首先讓我們來看 核函數(shù)。
關(guān)于核函數(shù)要記住一些要點：
核函數(shù)在被調(diào)用時要顯式聲明其線程層次結(jié)構(gòu)，即塊的數(shù)量和每塊的線程數(shù)量。你可以編譯一次核函數(shù)，然后用不同的塊和網(wǎng)格大小多次調(diào)用它。
核函數(shù)沒有返回值。因此，要么必須對原始數(shù)組進行更改，要么傳遞另一個數(shù)組來存儲結(jié)果。為了計算標量，你必須傳遞單元素數(shù)組。
因此，要啟動核函數(shù)，你必須傳入兩個參數(shù)：
每塊的線程數(shù)，
塊的數(shù)量。
例如：
每個線程中的核函數(shù)必須知道它在哪個線程中，以便了解它負責數(shù)組的哪些元素。Numba 只需調(diào)用一次即可輕松獲得這些元素的位置。
為了節(jié)省將 numpy 數(shù)組復制到指定設備，然后又將結(jié)果存儲到 numpy 數(shù)組中所浪費的時間，Numba 提供了一些 函數(shù) 來聲明并將數(shù)組送到指定設備，如：numba.cuda.device_array，numba.cuda。device_array_like，numba.cuda.to_device 等函數(shù)來節(jié)省不必要的復制到 cpu 的時間(除非必要)。
另一方面，設備函數(shù) 只能從設備內(nèi)部(通過核函數(shù)或其他設備函數(shù))調(diào)用。比較好的一點是，你可以從 設備函數(shù) 中返
你還應該在這里查看 Numba 的 cuda 庫支持的功能。
Numba 在其 cuda 庫中也有自己的原子操作，隨機數(shù)生成器，共享內(nèi)存實現(xiàn)(以加快數(shù)據(jù)的訪問)等功能。
ctypes/cffi/cython 的互用性：
cffi – 在 nopython 模式下支持調(diào)用 CFFI 函數(shù)。
ctypes – 在 nopython 模式下支持調(diào)用 ctypes 包裝函數(shù)。
Cython 導出的函數(shù)是 可調(diào)用的。
京公網(wǎng)安備 11010802030320號