Python 使用numba.jit加速代码

我正在尝试使用

numba.jit来加速python程序

我的程序的一个函数将一个
float
s数组和一个标量相乘，标量总是一个整数

import numpy
myarray = numpy.array([0.2,0.26,0.45,0.78],dtype=float)

def multiply(array, scalar):
    newarray = array * scalar
    return newarray

newarray = multiply(myarray,5)

当我
numba.jit（）
my函数具有以下签名时，函数运行速度会慢一个数量级：

fastmultiply = numba.jit("f4[:](f4[:],int8)")(multiply)

这是因为我声明了错误的数据类型：
f4[：]和
int8

或者，我的函数的编码方式不允许使用
numba.jit（）
？
节省工作量v/s生成的
jit
-代码重复使用量进行加速
JIT可以帮助解决这样的情况，即大量的重复使用证明了即时编译的成本是合理的

因此，随着
.jit（）
编译器处理源代码，代码的第一次运行需要更长的时间

注意工作的经济性-对于“短”代码，这可能比最终jit编译的产品需要几个数量级的时间，因此，只有在有数百万个重复使用案例的情况下，调整这样的初始机会成本惩罚才可能是合理的

对于一个“计算密集度更高”的代码，通常是一个非平凡的卷积、迭代再处理方法等，jit编译的成本甚至在单独的情况下也是合理的


这是一个单独的主题，错误的类型可能会影响您的处理

显式
.jit（）
签名或
.autojit（）
？这就是哈姆雷特的困境

嗯，这取决于你的喜好应收集任何一种方法的初始调用/重复使用调用持续时间的定量证据，并根据预期的重复使用调用量（成本/收益不平等）进行决定

需要分析/调整的
autojit（）签名的额外成本，可能会使成本/收益不平等的边缘变形

维护
.jit（）
显式签名可能会让人头疼

小心：

首先，
np.float
是不是
f4

|>>> np.arange( 2, dtype = float ).dtype
dtype('float64')

下一步，有一些情况（
np.nan\u to_num（）
就是其中之一），可能会收到“静默”向上播放的
dtype到
np.float64
，这可能会导致头痛，寻找
dtype
与
numba.jit（）冲突的地方
显式签名。
您的函数所做的唯一一件事就是调用一个已经优化过的numpy函数-没有太多的优化潜力。因此，在使用numpy数组时，对于提高性能没有什么可做的？numba主要用于加速无法利用numpy快速矢量化数组的代码选项，例如，在其他情况下，您被迫对
循环使用嵌套Python
。numpy数组已经有了高度优化的乘法方法，因此在本例中使用numba不太可能做得更好。尽管如此，编译函数会降低一个数量级的性能，这是非常有趣的。
|>>> np.arange( 2, dtype = float ).dtype
dtype('float64')