numba 加速 python 例子

下面是一个使用 Numba 加速 Python 代码的例子：将一个二维 NumPy 数组中的所有元素相加。

import numpy as np
from numba import jit

# 定义一个用于计算数组元素和的函数
@jit(nopython=True)
def sum_array(arr):
    s = 0.0
    for i in range(arr.shape[0]):
        for j in range(arr.shape[1]):
            s += arr[i][j]
    return s

# 创建一个二维数组
arr = np.random.rand(1000, 1000)

# 计算数组元素的和
result = sum_array(arr)

# 输出结果
print(result)

在上面的代码中，我们首先定义了一个函数 `sum_array`，用于计算一个二维 NumPy 数组中所有元素的和。然后，我们使用 `@jit` 装饰器将该函数编译为本地机器码。最后，我们创建一个随机的二维数组，并使用 `sum_array` 函数计算其元素的和。

由于我们使用了 Numba 进行 JIT 编译，因此该代码的性能得到了显著提升。如果您将上面的代码与不使用 Numba 的代码进行比较，您将会看到巨大的性能差异。

相关问题

python numba庫

Numba库[^4] 是一个Python的编译器扩展，它允许开发者将Python代码转换为机器码（通常是针对特定CPU架构），从而显著提高执行速度，尤其是在处理数值密集型计算时。Numba特别适用于那些原本可能用Cython或Fortran编写的代码，但又不想失去Python的易用性和灵活性。

以下是使用Numba的一个简单示例，展示了如何加速一个简单的数组平方操作：

from numba import njit

@njit
def numba_square(x):
    return x ** 2

# 使用原生Python的速度
import time
start_time = time.time()
for _ in range(1000000):
    x = 3.14159
    _ = x ** 2
native_time = time.time() - start_time

# 使用Numba加速后的速度
start_time = time.time()
for _ in range(1000000):
    x = 3.14159
    _ = numba_square(x)
numba_time = time.time() - start_time

print(f"Native Python time: {native_time:.6f} seconds")
print(f"Numba-accelerated time: {numba_time:.6f} seconds")

通过这个例子，你可以看到Numba在加速计算上的优势。然而，Numba并不总是比纯Python更快，它更倾向于优化数值计算密集的部分。

给一个numba的使用例子

好的，下面是一个简单的使用 Numba 对 Python 函数进行加速的例子：

import numpy as np
import numba as nb

@nb.jit(nopython=True)
def calc_sum(arr):
    s = 0
    for i in range(len(arr)):
        s += arr[i]
    return s

arr = np.arange(1000000)
sum = calc_sum(arr)
print(sum)

这个例子中，我们定义了一个名为 `calc_sum` 的函数，用于计算一个一维数组的元素和。通过在函数定义前加上 `@nb.jit(nopython=True)` 装饰器，我们告诉 Numba 对这个函数进行编译，并且不使用 Python 解释器。这样，Numba 就会使用 LLVM 编译器将这个函数编译成机器码，从而实现加速。

在主程序中，我们创建了一个长度为 1000000 的一维数组，并且将这个数组作为参数传递给 `calc_sum` 函数。最后，我们输出计算得到的数组元素和。