Python 如何在numba中的`@guvectorize`中调用`@guvectorize`？

我试图在

@guvectorize

中调用

@guvectorize

，但我有一个错误：

Untyped global name 'regNL_nb': cannot determine Numba type of <class 'numpy.ufunc'>

File "di.py", line 12:
def H2Delay_nb(S1, S2, R2):
    H1 = regNL_nb(S1, S2)
    ^

我不知道如何告诉numba函数regNL_nb是一个guvectorize函数

@guvectorize(["float64[:], float64[:],  float64[:]"], '(n),(n)->(n)',nopython=True)
def H2Delay_nb(S1, S2, R2):
    H1 = regNL_nb(S1, S2)
    H2 = regNL_nb(S1, S2,)
    for i in range(len(S1)):
        R2[i] =  H1[i] + H2[i]

通过使用参数

nopython=True

可以停用对象模式，因此Numba无法将所有值作为Python对象处理（请参阅：）

通常，如果使用

nopython=True

，Panda、Numba或其他函数调用是不可能的。只有有限数量的库可用于Numba Jit（在

nopython

中）。 可在此处找到完整列表：

因此，除了禁用

nopython

，您尝试执行的操作是不可能的，即：

@guvectorize(["float64[:], float64[:],  float64[:]"], '(n),(n)->(n)',nopython=False)
    def H2Delay_nb(S1, S2, R2):
        H1 = regNL_nb(S1, S2)
        H2 = regNL_nb(S1, S2,)
        for i in range(len(S1)):
            R2[i] =  H1[i] + H2[i]

按照这种方法，程序输出正确的值，即

[4.8.12.16.20.24.28.32.36.]

用于

H2

我还发现另一个StackOverflow问题涉及一个熟悉的问题：。积分到期时的积分：在提到的线程中建议您使用“更简单”的数据类型，这在CPython中最常见。除此之外，在这一点上我完全同意他的观点，我不知道在

nopython

模式下有任何可能的解决方案

---

来源：

---

我的答案仅适用于这种情况，如果您可以用@njit替换@guvectorize，那么它将是完全相同的代码，同样快，只是要使用更长的语法

在nopython模式下，接受其他guvectorize函数中的

@guvectorize

-ed函数可能存在一些问题

但是Numba在其他njited中接受非常好的常规的

@njit

-ed函数。因此，您可以重写您的函数以使用@njit，您的函数签名将与外部世界的@guvectorize ed保持相同@njit版本只需要额外使用

np.empty_like（…）

+返回内部函数

@guvectorize(["float64[:], float64[:],  float64[:]"], '(n),(n)->(n)',nopython=True)
def H2Delay_nb(S1, S2, R2):
    H1 = regNL_nb(S1, S2)
    H2 = regNL_nb(S1, S2,)
    for i in range(len(S1)):
        R2[i] =  H1[i] + H2[i]

为了提醒您-所有@njit ed函数都始终启用了nopython模式，因此您的njite代码将与guvectorize+nopython一样快

我还提供CUDA解决方案作为第二个代码段

您也可以只使用@njited内部助手函数，但外部助手函数可能仍然可以使用@guvectorize-ed。此外，如果您想要通用函数（接受任何输入），只需从njited定义中删除签名

“f8[：]（f8[：]，f8[：]）”

，签名将在调用时自动解析

最终代码如下所示：

输出：

[ 4.  8. 12. 16. 20. 24. 28. 32. 36.]

CUDA是同一代码的变体，如果要自动创建并返回结果数组，则需要额外的函数包装器，因为CUDA代码函数不允许有返回值：

import numpy as np
from numba import guvectorize, float64, int64, njit, cuda, jit

@cuda.jit('void(f8[:], f8[:], f8[:])', cache = True)
def regNL_nb_cu(S1, S2, h2):
    for i in range(len(S1)):
        h2[i] = S1[i] + S2[i]
        
@njit('f8[:](f8[:], f8[:])', cache = True)
def regNL_nb(S1, S2):
    h2 = np.empty_like(S1)
    regNL_nb_cu(S1, S2, h2)
    return h2
        
@cuda.jit('void(f8[:], f8[:], f8[:])', cache = True)
def H2Delay_nb_cu(S1, S2, R2):
    H1 = regNL_nb(S1, S2)
    H2 = regNL_nb(S1, S2)
    for i in range(len(S1)):
        R2[i] =  H1[i] + H2[i]
        
@njit('f8[:](f8[:], f8[:])', cache = True)
def H2Delay_nb(S1, S2):
    R2 = np.empty_like(S1)
    H2Delay_nb_cu(S1, S2, R2)
    return R2

S1 = np.array([1,2,3,4,5,6,7,8,9], dtype = np.float64)
S2 = np.array([1,2,3,4,5,6,7,8,9], dtype = np.float64)
H2 = H2Delay_nb(S1, S2)
print(H2)

---

预期的输出应该是

[4.8.12.16.20.24.28.32.36.]

，对吗？是的。每个数字执行上述脚本的方式只有四次，除了将参数

nopython

设置为

False

，因此代码可能会返回到对象模式——除了警告之外，它工作正常<代码>>>打印（H2）给出输出：

[4.8.12.16.20.24.28.32.36.]

。是的，它是这样工作的，但速度较慢。关键是要保持nopython=True模式，这样代码运行得更快；尽管如果停用对象模式，并非所有值都将作为Python对象处理。（见附件）

import numpy as np
from numba import guvectorize, float64, int64, njit, cuda, jit

@cuda.jit('void(f8[:], f8[:], f8[:])', cache = True)
def regNL_nb_cu(S1, S2, h2):
    for i in range(len(S1)):
        h2[i] = S1[i] + S2[i]
        
@njit('f8[:](f8[:], f8[:])', cache = True)
def regNL_nb(S1, S2):
    h2 = np.empty_like(S1)
    regNL_nb_cu(S1, S2, h2)
    return h2
        
@cuda.jit('void(f8[:], f8[:], f8[:])', cache = True)
def H2Delay_nb_cu(S1, S2, R2):
    H1 = regNL_nb(S1, S2)
    H2 = regNL_nb(S1, S2)
    for i in range(len(S1)):
        R2[i] =  H1[i] + H2[i]
        
@njit('f8[:](f8[:], f8[:])', cache = True)
def H2Delay_nb(S1, S2):
    R2 = np.empty_like(S1)
    H2Delay_nb_cu(S1, S2, R2)
    return R2

S1 = np.array([1,2,3,4,5,6,7,8,9], dtype = np.float64)
S2 = np.array([1,2,3,4,5,6,7,8,9], dtype = np.float64)
H2 = H2Delay_nb(S1, S2)
print(H2)