Python Numbas并行向量化函数

我目前正在试验

numba

，尤其是

vectoriad

函数，因此我创建了一个

sum

矢量化函数（因为很容易将其与

np.sum

进行比较）

import numpy as np
import numba as nb

@nb.vectorize([nb.float64(nb.float64, nb.float64)])
def numba_sum(element1, element2):
    return element1 + element2

@nb.vectorize([nb.float64(nb.float64, nb.float64)], target='parallel')
def numba_sum_parallel(element1, element2):
    return element1 + element2

array = np.ones(elements)
np.testing.assert_almost_equal(numba_sum.reduce(array), np.sum(array))
np.testing.assert_almost_equal(numba_sum_parallel.reduce(array), np.sum(array))

根据

元素的数量

并行代码不会返回与

cpu

目标代码相同的数字。我认为这是因为与常见的线程问题有关（但为什么？这是Numba中的错误还是使用并行执行时发生的事情？）。有趣的是，它有时有效，有时无效。有时在

elements=1000时失败，有时在
elements=100000时失败

例如：

AssertionError: 
Arrays are not almost equal to 7 decimals
 ACTUAL: 93238.0
 DESIRED: 100000.0

如果我再运行一次

AssertionError: 
Arrays are not almost equal to 7 decimals
 ACTUAL: 83883.0
 DESIRED: 100000.0

我现在的问题是：为什么我会想要一个并行向量化函数？我的理解是
向量化
函数的目的是提供可能性，但我测试了
减少
和
累积
，它们在某些（可变）数量的元素上停止工作，谁想要一个不可靠的函数

我正在使用
numba 0.23.1
，
numpy 1.10.1
和
python 3.5.1
，你问：

考虑到“并行”矢量化函数可能导致此类问题，它在哪里有意义

鉴于
numba.vectorize（target='parallel'）
产生的UFUNC有缺陷的
reduce（）
方法，问题是我们能用它们做些什么

在您的例子中，ufunc进行加法运算。这在
target='parallel'
中的一个有用应用是两个数组的元素加法：

numba_sum(array, array)

这确实比单核解决方案快，而且似乎不会受到削弱
reduce（）
和朋友的bug的影响。
我怀疑你会更幸运地将它作为bug归档，而不是发布在这里。我的问题实际上不是关于bug，而是关于“并行”的位置矢量化函数可能会导致这样的问题。啊-我明白了。理想情况下，它会在每个线程中保留一个单独的计数器，并将它们添加到一起（以C/Fortran多线程接口为例，查找OpenMP
reduce
，这样做）。如果这样做，答案应该是可重复的（没错！）.你确定你的算法在数值上是稳定的吗？是的，我也报告了这个问题