numba 中的@jit 和@vectorize 有啥区别？

Posted 2023-02-16

【中文标题】numba 中的@jit 和@vectorize 有啥区别？

【英文标题】：What is the difference between @jit and @vectorize in numba?numba 中的@jit 和@vectorize 有什么区别？

【发布时间】：2018-05-13 15:00:06

【问题描述】：

什么时候应该使用@vectorize？

我尝试了@jit 并显示了下面的那部分代码，

from numba import jit

@jit
def kma(g,temp): 
    k=np.exp(-(g+np.abs(g))/(2*temp))   
    return k

但我的代码没有加速算法。为什么？

【参考方案1】：

@vectorize 用于编写一个表达式，该表达式可以一次将一个元素（标量）应用于数组。 @jit 装饰器更通用，可以处理任何类型的计算。

文档中详细讨论了其他好处：

http://numba.pydata.org/numba-doc/latest/user/vectorize.html

您可能会问自己，“我为什么要通过这个而不是使用 @jit 装饰器编译一个简单的迭代循环？”。答案是 NumPy ufuncs 会自动获取其他特性，例如归约、累加或广播。

您的代码没有被加速的原因（我看到 jitted 和 non-jitted 代码之间的性能几乎相同）是您正在执行的操作已经完全由低级编译代码处理在 numpy 矢量化操作的背后。

如果您展开隐式循环以避免创建中间数组，您可能会节省一些费用，但通常 numba 非常适合在 numpy 中不易矢量化的操作。

【讨论】：

你的意思是上面的代码因为 numpy 已经处理了，所以不能被 jitted？ Numba 通常在“for 循环”中很有用？