歡迎光臨
每天分享高質量文章

一行代碼讓Python的運行速度提高100倍

本文轉載自公眾號:python寶典,id:zhangqiye1993

python一直被病垢運行速度太慢,但是實際上python的執行效率並不慢,慢的是python用的解釋器Cpython運行效率太差。

“一行代碼讓python的運行速度提高100倍”這絕不是嘩眾取寵的論調。

我們來看一下這個最簡單的例子,從1一直累加到1億。

最原始的代碼:

import time
def foo(x,y):
        tt = time.time()
        s = 0
        for i in range(x,y):
                s += i
        print('Time used: {} sec'.format(time.time()-tt))
        return s

print(foo(1,100000000))

結果:

Time used: 6.779874801635742 sec
4999999950000000

我們來加一行代碼,再看看結果:

from numba import jit
import time
@jit
def foo(x,y):
        tt = time.time()
        s = 0
        for i in range(x,y):
                s += i
        print('Time used: {} sec'.format(time.time()-tt))
        return s
print(foo(1,100000000))

結果:

Time used: 0.04680037498474121 sec
4999999950000000

是不是快了100多倍呢?

那麼下麵就分享一下“為啥numba庫的jit模塊那麼牛掰?”

NumPy的創始人Travis Oliphant在離開Enthought之後,創建了CONTINUUM,致力於將Python大資料處理方面的應用。最近推出的Numba專案能夠將處理NumPy陣列的Python函式JIT編譯為機器碼執行,從而上百倍的提高程式的運算速度。

Numba專案的主頁上有Linux下的詳細安裝步驟。編譯LLVM需要花一些時間。
Windows用戶可以從Unofficial Windows Binaries for Python Extension Packages下載安裝LLVMPy、meta和numba等幾個擴展庫。

下麵我們看一個例子:

import numba as nb
from numba import jit

@jit('f8(f8[:])')
def sum1d(array):
    s = 0.0
    n = array.shape[0]
    for i in range(n):
        s += array[i]
    return s

import numpy as np
array = np.random.random(10000)
%timeit sum1d(array)
%timeit np.sum(array)
%timeit sum(array)
10000 loops, best of 338.9 us per loop
10000 loops, best of 332.3 us per loop
100 loops, best of 312.4 ms per loop

numba中提供了一些修飾器,它們可以將其修飾的函式JIT編譯成機器碼函式,並傳回一個可在Python中呼叫機器碼的包裝物件。為了能將Python函式編譯成能高速執行的機器碼,我們需要告訴JIT編譯器函式的各個引數和傳回值的型別。我們可以通過多種方式指定型別信息,在上面的例子中,型別信息由一個字串’f8(f8[:])’指定。其中’f8’表示8個位元組雙精度浮點數,括號前面的’f8’表示傳回值型別,括號里的表示引數型別,’[:]’表示一維陣列。因此整個型別字串表示sum1d()是一個引數為雙精度浮點數的一維陣列,傳回值是一個雙精度浮點數。
需要註意的是,JIT所產生的函式只能對指定的型別的引數進行運算:

print sum1d(np.ones(10, dtype=np.int32))
print sum1d(np.ones(10, dtype=np.float32))
print sum1d(np.ones(10, dtype=np.float64))
1.2095376009e-312
1.46201599944e+185
10.0

如果希望JIT能針對所有型別的引數進行運算,可以使用autojit

from numba import autojit
@autojit
def sum1d2(array):
    s = 0.0
    n = array.shape[0]
    for i in range(n):
        s += array[i]
    return s

%timeit sum1d2(array)
print sum1d2(np.ones(10, dtype=np.int32))
print sum1d2(np.ones(10, dtype=np.float32))
print sum1d2(np.ones(10, dtype=np.float64))
10000 loops, best of 3143 us per loop
10.0
10.0
10.0

autoit雖然可以根據引數型別動態地產生機器碼函式,但是由於它需要每次檢查引數型別,因此計算速度也有所降低。numba的用法很簡單,基本上就是用jit和autojit這兩個修飾器,和一些型別物件。下麵的程式列出numba所支持的所有型別:

print [obj for obj in nb.__dict__.values() if isinstance(obj, nb.minivect.minitypes.Type)]
[size_t, Py_uintptr_t, uint16, complex128, float, complex256, voidint , long double,
unsigned PY_LONG_LONG, uint32, complex256, complex64, object_, npy_intp, const char *,
doubleunsigned shortfloat, object_, float, uint64, uint32, uint8, complex128, uint16,
intint , uint8, complex64, int8, uint64, doublelong double, int32, doublelong double,
charlongunsigned char, PY_LONG_LONG, int64, int16, unsigned long, int8, int16, int32,
unsigned intshort, int64, Py_ssize_t]

工作原理
numba的通過meta模塊解析Python函式的ast語法樹,對各個變數添加相應的型別信息。然後呼叫llvmpy生成機器碼,最後再生成機器碼的Python呼叫接口。

meta模塊

通過研究numba的工作原理,我們可以找到許多有用的工具。例如meta模塊可在程式原始碼、ast語法樹以及Python二進制碼之間進行相互轉換。下麵看一個例子:

def add2(a, b):
    return a + b

decompile_func能將函式的代碼物件反編譯成ast語法樹,而str_ast能直觀地顯示ast語法樹,使用這兩個工具學習Python的ast語法樹是很有幫助的。

from meta.decompiler import decompile_func
from meta.asttools import str_ast
print str_ast(decompile_func(add2))
FunctionDef(args=arguments(args=[Name(ctx=Param(),
                                      id='a'),
                                 Name(ctx=Param(),
                                      id='b')],
                           defaults=[],
                           kwarg=None,
                           vararg=None),
            body=[Return(value=BinOp(left=Name(ctx=Load(),
                                               id='a'),
                                     op=Add(),
                                     right=Name(ctx=Load(),
                                                id='b')))],
            decorator_list=[],
            name='add2')

而python_source可以將ast語法樹轉換為Python原始碼:

from meta.asttools import python_source
python_source(decompile_func(add2))
def add2(a, b):
    return (a + b)

decompile_pyc將上述二者結合起來,它能將Python編譯之後的pyc或者pyo檔案反編譯成原始碼。下麵我們先寫一個tmp.py檔案,然後通過py_compile將其編譯成tmp.pyc。

with open("tmp.py""w"as f:
    f.write("""
def square_sum(n):
    s = 0
    for i in range(n):
        s += i**2
    return s
"""
)
import py_compile
py_compile.compile("tmp.py")

下麵呼叫decompile_pyc將tmp.pyc顯示為原始碼:

with open("tmp.pyc""rb"as f:
    decompile_pyc(f)
def square_sum(n):
    s = 0
    for i in range(n):
        s += (i ** 2)
    return s

llvmpy模塊

LLVM是一個動態編譯器,llvmpy則可以通過Python呼叫LLVM動態地創建機器碼。直接通過llvmpy創建機器碼是比較繁瑣的,例如下麵的程式創建一個計算兩個整數之和的函式,並呼叫它計算結果。

from llvm.core import Module, Type, Builder
from llvm.ee import ExecutionEngine, GenericValue

# Create a new module with a function implementing this:
#
# int add(int a, int b) {
#   return a + b;
# }
#
my_module = Module.new('my_module')
ty_int = Type.int()
ty_func = Type.function(ty_int, [ty_int, ty_int])
f_add = my_module.add_function(ty_func, "add")
f_add.args[0].name = "a"
f_add.args[1].name = "b"
bb = f_add.append_basic_block("entry")

# IRBuilder for our basic block
builder = Builder.new(bb)
tmp = builder.add(f_add.args[0], f_add.args[1], "tmp")
builder.ret(tmp)

# Create an execution engine object. This will create a JIT compiler
# on platforms that support it, or an interpreter otherwise
ee = ExecutionEngine.new(my_module)

# Each argument needs to be passed as a GenericValue object, which is a kind
# of variant
arg1 = GenericValue.int(ty_int, 100)
arg2 = GenericValue.int(ty_int, 42)

# Now let's compile and run!
retval = ee.run_function(f_add, [arg1, arg2])

# The return value is also GenericValue. Let's print it.
print "returned", retval.as_int()
returned 142

f_add就是一個動態生成的機器碼函式,我們可以把它想象成C語言編譯之後的函式。在上面的程式中,我們通過ee.run_function呼叫此函式,而實際上我們還可以獲得它的地址,然後通過Python的ctypes模塊呼叫它。
首先通過ee.get_pointer_to_function獲得f_add函式的地址:

addr = ee.get_pointer_to_function(f_add)
addr
2975997968L

然後通過ctypes.PYFUNCTYPE創建一個函式型別:

import ctypes
f_type = ctypes.PYFUNCTYPE(ctypes.c_int, ctypes.c_int, ctypes.c_int)

最後通過f_type將函式的地址轉換為可呼叫的Python函式,並呼叫它:

f = f_type(addr)
f(100, 42)
142

numba所完成的工作就是:
解析Python函式的ast語法樹並加以改造,添加型別信息;
將帶型別信息的ast語法樹通過llvmpy動態地轉換為機器碼函式,然後再通過和ctypes類似的技術為機器碼函式創建包裝函式供Python呼叫。

    已同步到看一看
    赞(0)

    分享創造快樂