如何加快循环操作和Numpy数组运算速度!

前言

Python 虽然写起来代码量要远少于如 C++,Java,但运行速度又不如它们,因此也有了各种提升 Python 速度的方法技巧,这次要介绍的是用 Numba 库进行加速比较耗时的循环操作以及 Numpy 操作。

在24式加速你的Python中介绍对循环的加速方法中,一个办法就是采用  Numba 加速,刚好最近看到一篇文章介绍了利用  Numba 加速 Python ,文章主要介绍了两个例子,也是  Numba 的两大作用,分别是加速循环,以及对  Numpy 的计算加速。

原文:https://towardsdatascience.com/heres-how-you-can-get-some-free-speed-on-your-python-code-with-numba-89fdc8249ef3

相比其他语言,Python 确实在运行速度上是比较慢的。

一种常用解决方法,就是用如 C++ 改写代码,然后用 Python 进行封装,这样既可以实现 C++ 的运行速度又可以保持在主要应用中采用 Python 的方便。

这种办法的唯一难点就是改写为 C++ 部分的代码需要耗费不少时间,特别是如果你对 C++ 并不熟悉的情况。

Numba 可以实现提升速度但又不需要改写部分代码为其他编程语言。

Numba 简介

Numba 是一个可以将 Python 代码转换为优化过的机器代码的编译库。通过这种转换,对于数值算法的运行速度可以提升到接近  C 语言代码的速度。

采用 Numba 并不需要添加非常复杂的代码,只需要在想优化的函数前 添加一行代码,剩余的交给  Numba 即可。

Numba 可以通过  pip 安装:

$ pip install numba

Numba 对于有许多数值运算的, Numpy 操作或者大量循环操作的情况,都可以大大提升运行速度。

加速 Python 循环

Numba 的最基础应用就是加速 Python 中的循环操作。

首先,如果你想使用循环操作,你先考虑是否可以采用 Numpy 中的函数替代,有些情况,可能没有可以替代的函数。这时候就可以考虑采用  Numba 了。

第一个例子是通过插入排序算法来进行说明。我们会实现一个函数,输入一个无序的列表,然后返回排序好的列表。

我们先生成一个包含 100,000 个随机整数的列表,然后执行 50 次插入排序算法,然后计算平均速度。

代码如下所示:

import time
import random

num_loops = 50
len_of_list = 100000

def insertion_sort(arr):
    for i in range(len(arr)):
        cursor = arr[i]
        pos = i

        while pos > 0 and arr[pos-1] > cursor:
            # 从后往前对比,从小到大排序
            arr[pos] = arr[pos-1]
            pos = pos-1
        # 找到当前元素的位置
        arr[pos] = cursor
    return arr
start = time.time()
list_of_numbers = list()
for i in range(len_of_list):
    num = random.randint(0, len_of_list)
    list_of_numbers.append(num)

for i in range(num_loops):
    result = insertion_sort(list_of_numbers)

end = time.time()

run_time = end-start
print('Average time={}'.format(run_time/num_loops))

输出结果:

Average time=22.84399790763855

从代码可以知道插入排序算法的时间复杂度是 ,因为这里包含了两个循环, for 循环里面带有  while 循环,这是最差的情况。然后输入数量是 10 万个整数,再加上重复 50 次,这是非常耗时的操作了。

原作者采用的是电脑配置是 i7-8700k,所以其平均耗时是 3.0104s 。但这里我的电脑配置就差多了,i5-4210M 的笔记本电脑,并且已经使用了接近 4 年,所以我跑的结果是,平均耗时为  22.84s

那么,如何采用 Numba 加速循环操作呢,代码如下所示:

import time
import random
from numba import jit

num_loops = 50
len_of_list = 100000

@jit(nopython=True)
def insertion_sort(arr):
    for i in range(len(arr)):
        cursor = arr[i]
        pos = i

        while pos > 0 and arr[pos-1] > cursor:
            # 从后往前对比,从小到大排序
            arr[pos] = arr[pos-1]
            pos = pos-1
        # 找到当前元素的位置
        arr[pos] = cursor
    return arr
start = time.time()
list_of_numbers = list()
for i in range(len_of_list):
    num = random.randint(0, len_of_list)
    list_of_numbers.append(num)

for i in range(num_loops):
    result = insertion_sort(list_of_numbers)

end = time.time()

run_time = end-start
print('Average time={}'.format(run_time/num_loops))

输出结果:

Average time=0.09438572406768798

可以看到,其实只增加了两行代码,第一行就是导入 jit 装饰器

from numba import jit

接着在函数前面增加一行代码,采用装饰器

@jit(nopython=True)
def insertion_sort(arr):

使用 jit 装饰器表明我们希望将该函数转换为机器代码,然后参数  nopython 指定我们希望  Numba 采用纯机器代码,或者有必要的情况加入部分  Python 代码,这个参数必须设置为  True 来得到更好的性能,除非出现错误。

原作者得到的平均耗时是 0,1424s ,而我的电脑上则是提升到仅需  0.094s ,速度都得到非常大的提升。

加速 Numpy 操作

Numba 的另一个常用地方,就是加速  Numpy 的运算。

这次将初始化 3 个非常大的 Numpy 数组,相当于一个图片的尺寸大小,然后采用  numpy.square() 函数对它们的和求平方。

代码如下所示:

import time
import numpy as np

num_loops = 50
img1 = np.ones((1000, 1000), np.int64) * 5
img2 = np.ones((1000, 1000), np.int64) * 10
img3 = np.ones((1000, 1000), np.int64) * 15

def add_arrays(img1, img2, img3):
    return np.square(img1+img2+img3)

start1 = time.time()
for i in range(num_loops):
    result = add_arrays(img1, img2, img3)
end1 = time.time()
run_time1 = end1 - start1
print('Average time for normal numpy operation={}'.format(run_time1/num_loops))

输出结果:

Average time for normal numpy operation=0.040156774520874024

当我们对 Numpy 数组进行基本的数组计算,比如加法、乘法和平方, Numpy 都会自动在内部向量化,这也是它可以比原生  Python 代码有更好性能的原因。

上述代码在原作者的电脑运行的速度是 0.002288s ,而我的电脑需要  0.04s 左右。

但即便是 Numpy 代码也不会和优化过的机器代码速度一样快,因此这里依然可以采用  Numba 进行加速,代码如下所示:

# numba 加速
from numba import vectorize, int64

@vectorize([int64(int64,int64,int64)], target='parallel')
def add_arrays_numba(img1, img2, img3):
    return np.square(img1+img2+img3)

start2 = time.time()
for i in range(num_loops):
    result = add_arrays_numba(img1, img2, img3)
end2 = time.time()
run_time2 = end2 - start2
print('Average time using numba accelerating={}'.format(run_time2/num_loops))

输出结果:

Average time using numba accelerating=0.007735490798950195

这里采用的是 vectorize 装饰器,它有两个数参数,第一个参数是指定需要进行操作的  numpy 数组的数据类型,这是必须添加的,因为  numba 需要将代码转换为最佳版本的机器代码,以便提升速度;

第二个参数是 target ,它有以下三个可选数值,表示如何运行函数:

  • cpu:运行在单线程的 CPU 上

  • parallel:运行在多核、多线程的 CPU

  • cuda:运行在 GPU 上

parallel 选项在大部分情况是快过  cpu ,而  cuda 一般用于有非常大数组的情况。

上述代码在原作者的电脑运行时间是 0.001196s ,提升了 2 倍左右,而我的电脑是  0.0077s ,提升了 5 倍左右速度。

小结

numba 在以下情况下可以更好发挥它提升速度的作用:

  • Python 代码运行速度慢于  C 代码的地方,典型的就是循环操作

  • 在同个地方重复使用同个操作的情况,比如对许多元素进行同个操作,即 numpy 数组的操作

而在其他情况下, Numba 并不会带来如此明显的速度提升,当然,一般情况下尝试采用  numba 提升速度也是一个不错的尝试。

你可能感兴趣的:(Python,Python)