Python Numba@jit未能优化简单功能

我有一个非常简单的函数，它使用Numpy数组和for循环，但是添加Numba@jit decorator绝对不会加快速度：

# @jit(float64[:](int32,float64,float64,float64,int32))
@jit
def Ising_model_1D(N=200,J=1,T=1e-2,H=0,n_iter=1e6):
    beta = 1/T
    s = randn(N,1) > 10  
    s[N-1] = s[0]
    mag = zeros((n_iter,1))
    aux_idx =  randint(low=0,high=N,size=(n_iter,1))

    for i1 in arange(n_iter):
        rnd_idx = aux_idx[i1]
        s_1 = s[rnd_idx]*2 - 1
        s_2 = s[(rnd_idx+1)%(N)]*2 - 1
        s_3 = s[(rnd_idx-1)%(N)]*2 - 1
        delta_E = 2.0*J*(s_2+s_3)*s_1 + 2.0*H*s_1

        if(delta_E < 0):
            s[rnd_idx] = np.logical_not(s[rnd_idx]) 
        elif(np.exp(-1*beta*delta_E) >= rand()):
            s[rnd_idx] = np.logical_not(s[rnd_idx])
        s[N-1] = s[0]
        mag[i1] = (s*2-1).sum()*1.0/N 
    return mag

#@jit（float64[：]（int32，float64，float64，float64，int32））
@准时制
定义模型（N=200，J=1，T=1e-2，H=0，N=1e6）：
β=1/T
s=randn（N，1）>10
s[N-1]=s[0]
mag=零（（国际热核实验堆，1））
aux_idx=randint（低=0，高=N，大小=（N_iter，1））
对于arange（国际热核实验堆）的i1：
rnd_idx=辅助_idx[i1]
s_1=s[rnd_idx]*2-1
s_2=s[（rnd_idx+1）%（N）]*2-1
s_3=s[（rnd_idx-1）%（N）]*2-1
delta_E=2.0*J*（s_2+s_3）*s_1+2.0*H*s_1
如果（δE<0）：
s[rnd_idx]=np.逻辑的（s[rnd_idx]）
elif（np.exp（-1*beta*delta_E）>=rand（））：
s[rnd_idx]=np.逻辑的（s[rnd_idx]）
s[N-1]=s[0]
mag[i1]=（s*2-1）.sum（）*1.0/N
回传杂志

另一方面，MATLAB运行这个程序只需不到0.5秒！

---

为什么Numba缺少这么基本的东西？

这里是对您的代码的重新编写，在我的机器上运行大约0.4秒：

def ising_model_1d(N=200,J=1,T=1e-2,H=0,n_iter=1e6):
    n_iter = int(n_iter)
    beta = 1/T
    s = randn(N) > 10
    s[N-1] = s[0]

    mag = zeros(n_iter)
    aux_idx =  randint(low=0,high=N,size=n_iter)

    pre_rand = rand(n_iter)

    _ising_jitted(n_iter, aux_idx, s, J, N, H, beta, pre_rand, mag)

    return mag


@jit(nopython=True)
def _ising_jitted(n_iter, aux_idx, s, J, N, H, beta, pre_rand, mag):
    for i1 in range(n_iter):
        rnd_idx = aux_idx[i1]
        s_1 = s[rnd_idx*2] - 1
        s_2 = s[(rnd_idx+1)%(N)]*2 - 1
        s_3 = s[(rnd_idx-1)%(N)]*2 - 1
        delta_E = 2.0*J*(s_2+s_3)*s_1 + 2.0*H*s_1
        t = rand()
        if delta_E < 0:
            s[rnd_idx] = not s[rnd_idx]
        elif np.exp(-1*beta*delta_E) >= pre_rand[i1]:
            s[rnd_idx] = not s[rnd_idx]

        s[N-1] = s[0]
        mag[i1] = (s*2-1).sum()*1.0/N

但是

rand（）

不能通过

numba

进行优化（至少在

numba

的较旧版本中是这样。在较新的版本中，只要调用

rand

时不带参数，就可以进行优化）。观察结果是，您需要为每一次

n_iter

迭代使用一个随机数。因此，我们只需在包装函数中使用

numpy

创建一个随机数组，然后将该随机数组馈送给jitted函数。获取一个随机数就像索引到这个数组一样简单

---

最后，有关可由最新版本的编译器优化的

numpy

函数的列表，请参阅。在我重新编写代码的过程中，我积极地删除了对

numpy

函数的调用，以便代码能够处理更多版本的

numba

您正在对循环体中的标量值调用numpy函数。这些函数设计用于在大型阵列上高效运行，而不是在单个值上。numba无法优化这些函数调用。简言之，你需要对代码进行矢量化，而不是JIT编译。@ajcr我认为他们中的一些人实际上可以，比如

rand（）

和

ndarray.sum（）

（至少，他们可以在

numba

的最新版本中进行矢量化）。@jme:啊，谢谢，我不知道是这样的。我原以为反复调用

np.logical\u not

（和其他编译函数）会减慢循环速度。我应该更深入地研究一下numba医生。太好了！谢谢你的详细回复。Numba文档在细节上有点稀疏。

elif(np.exp(-1*beta*delta_E) >= rand()):