欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

一行代码让 Python 的运行速度提高100倍

程序员文章站 2022-03-20 15:16:46
python一直被病垢运行速度太慢,但是实际上python的执行效率并不慢,慢的是python用的解释器cpython运行效率太差。 “一行代码让python的运行速度提...

python一直被病垢运行速度太慢,但是实际上python的执行效率并不慢,慢的是python用的解释器cpython运行效率太差。

“一行代码让python的运行速度提高100倍”这绝不是哗众取宠的论调。

我们来看一下这个最简单的例子,从1一直累加到1亿。

最原始的代码:

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))

结果:

time used: 6.779874801635742 sec
4999999950000000

我们来加一行代码,再看看结果:

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))

结果:

time used: 0.04680037498474121 sec
4999999950000000

是不是快了100多倍呢?

那么下面就分享一下“为啥numba库的jit模块那么牛掰?”

numpy的创始人travis oliphant在离开enthought之后,创建了continuum,致力于将python大数据处理方面的应用。最近推出的numba项目能够将处理numpy数组的python函数jit编译为机器码执行,从而上百倍的提高程序的运算速度。

numba项目的主页上有linux下的详细安装步骤。编译llvm需要花一些时间。

windows用户可以从unofficial windows binaries for python extension packages下载安装llvmpy、meta和numba等几个扩展库。

下面我们看一个例子:

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 3: 38.9 us per loop
10000 loops, best of 3: 32.3 us per loop
100 loops, best of 3: 12.4 ms per loop

numba中提供了一些修饰器,它们可以将其修饰的函数jit编译成机器码函数,并返回一个可在python中调用机器码的包装对象。为了能将python函数编译成能高速执行的机器码,我们需要告诉jit编译器函数的各个参数和返回值的类型。我们可以通过多种方式指定类型信息,在上面的例子中,类型信息由一个字符串'f8(f8[:])'指定。其中'f8'表示8个字节双精度浮点数,括号前面的'f8'表示返回值类型,括号里的表示参数类型,'[:]'表示一维数组。因此整个类型字符串表示sum1d()是一个参数为双精度浮点数的一维数组,返回值是一个双精度浮点数。

需要注意的是,jit所产生的函数只能对指定的类型的参数进行运算:

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能针对所有类型的参数进行运算,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 3: 143 us per loop
10.0
10.0
10.0

autoit虽然可以根据参数类型动态地产生机器码函数,但是由于它需要每次检查参数类型,因此计算速度也有所降低。numba的用法很简单,基本上就是用jit和autojit这两个修饰器,和一些类型对象。下面的程序列出numba所支持的所有类型:

print [obj for obj in nb.__dict__.values() if isinstance(obj, nb.minivect.minitypes.type)]
[size_t, py_uintptr_t, uint16, complex128, float, complex256, void, int , long double,
unsigned py_long_long, uint32, complex256, complex64, object_, npy_intp, const char *,
double, unsigned short, float, object_, float, uint64, uint32, uint8, complex128, uint16,
int, int , uint8, complex64, int8, uint64, double, long double, int32, double, long double,
char, long, unsigned char, py_long_long, int64, int16, unsigned long, int8, int16, int32,
unsigned int, short, int64, py_ssize_t]

工作原理

numba的通过meta模块解析python函数的ast语法树,对各个变量添加相应的类型信息。然后调用llvmpy生成机器码,最后再生成机器码的python调用接口。

meta模块

通过研究numba的工作原理,我们可以找到许多有用的工具。例如meta模块可在程序源码、ast语法树以及python二进制码之间进行相互转换。下面看一个例子:

def add2(a, b):
 return a + b

decompile_func能将函数的代码对象反编译成ast语法树,而str_ast能直观地显示ast语法树,使用这两个工具学习python的ast语法树是很有帮助的。

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可以将ast语法树转换为python源代码:

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

decompile_pyc将上述二者结合起来,它能将python编译之后的pyc或者pyo文件反编译成源代码。下面我们先写一个tmp.py文件,然后通过py_compile将其编译成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")

下面调用decompile_pyc将tmp.pyc显示为源代码:

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模块

llvm是一个动态编译器,llvmpy则可以通过python调用llvm动态地创建机器码。直接通过llvmpy创建机器码是比较繁琐的,例如下面的程序创建一个计算两个整数之和的函数,并调用它计算结果。

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就是一个动态生成的机器码函数,我们可以把它想象成c语言编译之后的函数。在上面的程序中,我们通过ee.run_function调用此函数,而实际上我们还可以获得它的地址,然后通过python的ctypes模块调用它。
首先通过ee.get_pointer_to_function获得f_add函数的地址:

addr = ee.get_pointer_to_function(f_add)
addr
2975997968l

然后通过ctypes.pyfunctype创建一个函数类型:

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

最后通过f_type将函数的地址转换为可调用的python函数,并调用它:

f = f_type(addr)
f(100, 42)
142

numba所完成的工作就是:

解析python函数的ast语法树并加以改造,添加类型信息;

将带类型信息的ast语法树通过llvmpy动态地转换为机器码函数,然后再通过和ctypes类似的技术为机器码函数创建包装函数供python调用。

总结

以上所述是小编给大家介绍的一行代码让 python 的运行速度提高100倍,希望对大家有所帮助