Python 无法使用numba自动并行化for循环
我正在尝试在多个内核上运行以下程序,以便使用numba加快速度。不幸的是,当我测试该函数时,它似乎只在一个内核上运行。有人能给我解释一下为什么,如果有可能让它在多核上运行吗 最简单的工作示例:Python 无法使用numba自动并行化for循环,python,parallel-processing,numba,Python,Parallel Processing,Numba,我正在尝试在多个内核上运行以下程序,以便使用numba加快速度。不幸的是,当我测试该函数时,它似乎只在一个内核上运行。有人能给我解释一下为什么,如果有可能让它在多核上运行吗 最简单的工作示例: import numpy as np import numba a = np.random.rand(100000) @numba.jit(nopython=True, parallel=True) def func(x): result = np.zeros_like(x) for
import numpy as np
import numba
a = np.random.rand(100000)
@numba.jit(nopython=True, parallel=True)
def func(x):
result = np.zeros_like(x)
for delta in range(1,len(x)):
thisresult = 0
for i in range(delta,len(x)):
thisresult += (x[i] - x[i-delta])**2
result[delta] = thisresult / (len(x) - delta)
return result
print(func(a))
显式并行化
我总是重新命名以明确地并行化代码。Numba试图序列化一些并行代码部分,但这并不总是有效,也不会带来最佳性能
import numpy as np
import numba
a = np.random.rand(100000)
@numba.jit(nopython=True, parallel=True)
def func(x):
result = np.zeros_like(x,dtype=x.dtype)
for delta in numba.prange(1,len(x)):
thisresult = 0
for i in range(delta,len(x)):
thisresult += (x[i] - x[i-delta])**2
result[delta] = thisresult / (len(x) - delta)
return result
print(func(a))
有关更多详细信息,请查看。我想我也可以更改
numba.prange
的第二个范围
?这实际上会稍微慢一点。但是可以重写外部for循环以获得一些性能(计算时间随着增量的增加而减少)。