对于纯 numpy 代码，使用 numba 的收益在哪里？

Posted 2023-02-16

【中文标题】对于纯 numpy 代码，使用 numba 的收益在哪里？

【英文标题】：Where are the gains using numba coming from for pure numpy code?

【发布时间】：2017-11-28 21:01:37

【问题描述】：

我想了解使用 Numba 在 for 循环中加速纯 numpy 代码时的收益来自哪里。是否有任何分析工具可以让您查看jitted 函数？

演示代码（如下）只是使用非常基本的矩阵乘法来为计算机提供工作。观察到的收益来自：

更快的loop， 在编译过程中被jit拦截的numpy函数重铸，或者 jit 的开销更少，因为 numpy 通过包装函数将执行外包给低级库，例如 LINPACK

%matplotlib inline
import numpy as np
from numba import jit
import pandas as pd

#Dimensions of Matrices
i = 100 
j = 100

def pure_python(N,i,j):
    for n in range(N):
        a = np.random.rand(i,j)
        b = np.random.rand(i,j)
        c = np.dot(a,b)

@jit(nopython=True)
def jit_python(N,i,j):
    for n in range(N):
        a = np.random.rand(i,j)
        b = np.random.rand(i,j)
        c = np.dot(a,b)

time_python = []
time_jit = []
N = [1,10,100,500,1000,2000]
for n in N:
    time = %timeit -oq pure_python(n,i,j)
    time_python.append(time.average)
    time = %timeit -oq jit_python(n,i,j)
    time_jit.append(time.average)

df = pd.DataFrame('pure_python' : time_python, 'jit_python' : time_jit, index=N)
df.index.name = 'Iterations'
df[["pure_python", "jit_python"]].plot()

生成以下图表。

【问题讨论】：

我认为 Numba 可以识别 np.random.rand 和 np.dot。 （如果没有，我认为它不会让您在 nopython 模式下使用它们。）

确实如此。根据文档，numba 支持它们。 numba.pydata.org/numba-doc/dev/reference/numpysupported.html。我主要好奇代码拦截是如何工作的，以及这是否是上例中的收益来源。

您能添加一些设置信息吗？在 Win 64、python 3.5、numba 0.33 上，我只有适度的加速（10-15%）

当然。我在 Linux Mint 18、Linux Kernel 4.4.0-45-generic、python 3.5、numba 0.30.1、Intel Xeon CPU E5-1620 @ 3.6Ghz x 4

据我所知，答案是 1) 和 2)。 numba 将函数编译为 c 代码。因此，它显着加快了循环解析，并以显着的python 开销加速了numpy 函数（通常通过剥离该开销并强制显式数据排序 - 即没有axis 关键字，没有einsum，没有@大多数构造函数上的 987654341@ 参数（random.rand 是一个例外）...所有这些事情都可以在现在更快的 for 循环中显式完成）

【参考方案1】：

TL:DR 随机和循环得到加速，但矩阵乘法除了小矩阵大小之外没有。在较小的矩阵/循环大小下，似乎有可能与 python 开销有关的显着加速。在 N 较大时，矩阵乘法开始占主导地位，而 jit 的帮助不大

函数定义，为简单起见使用方阵。

from IPython.display import display
import numpy as np
from numba import jit
import pandas as pd

#Dimensions of Matrices
N = 1000

def py_rand(i, j):
    a = np.random.rand(i, j)

jit_rand = jit(nopython=True)(py_rand)

def py_matmul(a, b):
    c = np.dot(a, b)

jit_matmul = jit(nopython=True)(py_matmul)

def py_loop(N, val):
    count = 0
    for i in range(N):
        count += val     


jit_loop = jit(nopython=True)(py_loop)      

def pure_python(N,i,j):
    for n in range(N):
        a = np.random.rand(i,j)
        b = np.random.rand(i,j)
        c = np.dot(a,a)

jit_func = jit(nopython=True)(pure_python)

时间：

df = pd.DataFrame(columns=['Func', 'jit', 'N', 'Time'])
def meantime(f, *args, **kwargs):
    t = %timeit -oq -n5 f(*args, **kwargs)
    return t.average


for N in [10, 100, 1000, 2000]:
    a = np.random.randn(N, N)
    b = np.random.randn(N, N)

    df = df.append('Func': 'jit_rand', 'N': N, 'Time': meantime(jit_rand, N, N), ignore_index=True)
    df = df.append('Func': 'py_rand', 'N': N, 'Time': meantime(py_rand, N, N), ignore_index=True)

    df = df.append('Func': 'jit_matmul', 'N': N, 'Time': meantime(jit_matmul, a, b), ignore_index=True)
    df = df.append('Func': 'py_matmul', 'N': N, 'Time': meantime(py_matmul, a, b), ignore_index=True)

    df = df.append('Func': 'jit_loop', 'N': N, 'Time': meantime(jit_loop, N, 2.0), ignore_index=True)
    df = df.append('Func': 'py_loop', 'N': N, 'Time': meantime(py_loop, N, 2.0), ignore_index=True)

    df = df.append('Func': 'jit_func', 'N': N, 'Time': meantime(jit_func, 5, N, N), ignore_index=True)
    df = df.append('Func': 'py_func', 'N': N, 'Time': meantime(pure_python, 5, N, N), ignore_index=True)

df['jit'] = df['Func'].str.contains('jit')
df['Func'] = df['Func'].apply(lambda s: s.split('_')[1])
df.set_index('Func')
display(df)

结果：

    Func    jit     N   Time
0   rand    True    10  1.030686e-06
1   rand    False   10  1.115149e-05
2   matmul  True    10  2.250371e-06
3   matmul  False   10  2.199343e-06
4   loop    True    10  2.706000e-07
5   loop    False   10  7.274286e-07
6   func    True    10  1.217046e-05
7   func    False   10  2.495837e-05
8   rand    True    100 5.199217e-05
9   rand    False   100 8.149794e-05
10  matmul  True    100 7.848071e-05
11  matmul  False   100 2.130794e-05
12  loop    True    100 2.728571e-07
13  loop    False   100 3.003743e-06
14  func    True    100 6.739634e-04
15  func    False   100 1.146594e-03
16  rand    True    1000    5.644258e-03
17  rand    False   1000    8.012790e-03
18  matmul  True    1000    1.476098e-02
19  matmul  False   1000    1.613211e-02
20  loop    True    1000    2.846572e-07
21  loop    False   1000    3.539849e-05
22  func    True    1000    1.256926e-01
23  func    False   1000    1.581177e-01
24  rand    True    2000    2.061612e-02
25  rand    False   2000    3.204709e-02
26  matmul  True    2000    9.866484e-02
27  matmul  False   2000    1.007234e-01
28  loop    True    2000    3.011143e-07
29  loop    False   2000    7.477454e-05
30  func    True    2000    1.033560e+00
31  func    False   2000    1.199969e+00

看起来 numba 正在优化循环，所以我不会费心将它包含在比较中

情节：

def jit_speedup(d):
    py_time = d[d['jit'] == False]['Time'].mean()
    jit_time = d[d['jit'] == True]['Time'].mean()
    return py_time / jit_time 

import seaborn as sns
result = df.groupby(['Func', 'N']).apply(jit_speedup).reset_index().rename(columns=0: 'Jit Speedup')
result = result[result['Func'] != 'loop']
sns.factorplot(data=result, x='N', y='Jit Speedup', hue='Func')

因此，对于 5 次重复的循环，jit 可以相当稳定地加快速度，直到矩阵乘法变得足够昂贵，以使其他开销相比之下变得微不足道。

【讨论】：

您可能对修复def py_loop(): 代码感兴趣，因为原来的代码主要是一个O( 1 ) 缩放（从概念上讲，可能是一个被忽视的快捷方式/屏蔽变量错误，独立于 N ），它使实验偏向于返回总是只是 ~ 163 - 294 [ns] 处理持续时间（这证实了只是“恒定”的普通呼叫签名处理开销 + JMP / RET 持续时间，不是任何N-times 循环代码执行）。

不，你必须返回一个值 - 一个“那里”产生的值，否则 JIT 编译器分析看不出有任何明显的原因使硅循环如此多次通过“静默”代码，如果它什么都不返回... 更好地设计numba.jit(...) test-payload 更仔细，否则你再次诉诸不测试任何合理的O /P.

我最初对此很担心，但由于没有一个函数具有恒定的时间缩放（它们都没有返回），我认为 numba jit 实际上并没有完全优化代码。我可能错了。我不想将时间与返回、类型转换等混为一谈。