numba @jit慢了一点，纯粹的python？

Question

所以我需要改善我一直在努力的脚本的执行时间。我开始与numba JIT装饰工作，试图并行计算然而它抛出我

KeyError: "Does not support option: 'parallel'" 

，所以我决定测试nogil如果解除从我的CPU整体的能力，但它比纯Python我不明白为什么这个慢事情发生了，如果有人可以帮助我，或指引，我将非常感激

import numpy as np 
from numba import * 
@jit(['float64[:,:],float64[:,:]'],'(n,m),(n,m)->(n,m)',nogil=True) 
def asd(x,y): 
    return x+y 
u=np.random.random(100) 
w=np.random.random(100) 

%timeit asd(u,w) 
%timeit u+w 

10000圈，最好的3：每循环 137微秒最慢的运行速度比最快的耗时较长7.13倍。这可能意味着正在缓存中间结果 1000000个循环，最好为3：每个循环1.75μs

Answer 1

您不能指望numba在这种简单的矢量化操作上胜过numpy。由于numba函数包含外部函数调用的成本，因此您的比较并不完全公平。如果总结更大的阵列，你会发现两者的性能汇聚，哪些是你所看到的仅仅是在一个非常快的操作开销：

import numpy as np 
import numba as nb 

@nb.njit 
def asd(x,y): 
    return x+y 

def asd2(x, y): 
    return x + y 

u=np.random.random(10000) 
w=np.random.random(10000) 

%timeit asd(u,w) 
%timeit asd2(u,w) 

The slowest run took 17796.43 times longer than the fastest. This could mean 
that an intermediate result is being cached. 
100000 loops, best of 3: 6.06 µs per loop 

The slowest run took 29.94 times longer than the fastest. This could mean that 
an intermediate result is being cached. 
100000 loops, best of 3: 5.11 µs per loop 

至于并行功能，对于这个简单的操作，再次

@nb.vectorize([nb.float64(nb.float64, nb.float64)], target='parallel') 
def asd3(x, y): 
    return x + y 

u=np.random.random((100000, 10)) 
w=np.random.random((100000, 10)) 

%timeit asd(u,w) 
%timeit asd2(u,w) 
%timeit asd3(u,w) 

但是，如果你在小数组操作，你将要看到线程分派的开销：您可以使用nb.vectorize。对于上面的数组大小，我看到并行给我一个2x加速。

凡numba真正的闪光点是这样做很难用广播在numpy的做，或者在操作会导致大量的临时中间阵列分配的操作。