臥槽！一行代碼讓 Python 的運行速度提高100倍

來源：python寶典 ?鏈接：

https://mp.weixin.qq.com/s/Vm0BKSljCzMMgRmIBbpxdQ

python一直被病垢運行速度太慢，但是實際上python的執(zhí)行效率并不慢，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(diào)。

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(jié)果：

Time?used:?6.779874801635742?sec
4999999950000000

我們來加一行代碼，再看看結(jié)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(jié)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“為啥numba庫的jit模塊那么牛掰？”

NumPy的創(chuàng)始人Travis Oliphant在離開Enthought之后，創(chuàng)建了CONTINUUM，致力于將Python大數(shù)據(jù)處理方面的應(yīng)用。最近推出的Numba項目能夠?qū)⑻幚鞱umPy數(shù)組的Python函數(shù)JIT編譯為機(jī)器碼執(zhí)行，從而上百倍的提高程序的運算速度。

Numba項目的主頁上有Linux下的詳細(xì)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(kuò)展庫。

下面我們看一個例子：

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?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中提供了一些修飾器，它們可以將其修飾的函數(shù)JIT編譯成機(jī)器碼函數(shù)，并返回一個可在Python中調(diào)用機(jī)器碼的包裝對象。為了能將Python函數(shù)編譯成能高速執(zhí)行的機(jī)器碼，我們需要告訴JIT編譯器函數(shù)的各個參數(shù)和返回值的類型。我們可以通過多種方式指定類型信息，在上面的例子中，類型信息由一個字符串’f8(f8[:])’指定。其中’f8’表示8個字節(jié)雙精度浮點數(shù)，括號前面的’f8’表示返回值類型，括號里的表示參數(shù)類型，’[:]’表示一維數(shù)組。因此整個類型字符串表示sum1d()是一個參數(shù)為雙精度浮點數(shù)的一維數(shù)組，返回值是一個雙精度浮點數(shù)。
需要注意的是，JIT所產(chǎn)生的函數(shù)只能對指定的類型的參數(shù)進(jìn)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能針對所有類型的參數(shù)進(jìn)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?3:?143?us?per?loop
10.0
10.0
10.0

autoit雖然可以根據(jù)參數(shù)類型動態(tài)地產(chǎn)生機(jī)器碼函數(shù)，但是由于它需要每次檢查參數(shù)類型，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，和一些類型對象。下面的程序列出numba所支持的所有類型：

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的通過meta模塊解析Python函數(shù)的ast語法樹，對各個變量添加相應(yīng)的類型信息。然后調(diào)用llvmpy生成機(jī)器碼，最后再生成機(jī)器碼的Python調(diào)用接口。

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模塊可在程序源碼、ast語法樹以及Python二進(jìn)制碼之間進(jìn)行相互轉(zhuǎn)換。下面看一個例子：

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

decompile_func能將函數(shù)的代碼對象反編譯成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(xué)習(xí)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(zhuǎn)換為Python源代碼：

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(jié)合起來，它能將Python編譯之后的pyc或者pyo文件反編譯成源代碼。下面我們先寫一個tmp.py文件，然后通過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")

下面調(diào)用decompile_pyc將tmp.pyc顯示為源代碼：

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(tài)編譯器，llvmpy則可以通過Python調(diào)用LLVM動態(tài)地創(chuàng)建機(jī)器碼。直接通過llvmpy創(chuàng)建機(jī)器碼是比較繁瑣的，例如下面的程序創(chuàng)建一個計算兩個整數(shù)之和的函數(shù)，并調(diào)用它計算結(jié)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(tài)生成的機(jī)器碼函數(shù)，我們可以把它想象成C語言編譯之后的函數(shù)。在上面的程序中，我們通過ee.run_function調(diào)用此函數(shù)，而實際上我們還可以獲得它的地址，然后通過Python的ctypes模塊調(diào)用它。
首先通過ee.get_pointer_to_function獲得f_add函數(shù)的地址：

addr?=?ee.get_pointer_to_function(f_add)
addr
2975997968L

然后通過ctypes.PYFUNCTYPE創(chuàng)建一個函數(shù)類型：

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

最后通過f_type將函數(shù)的地址轉(zhuǎn)換為可調(diào)用的Python函數(shù)，并調(diào)用它：

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

numba所完成的工作就是：
解析Python函數(shù)的ast語法樹并加以改造，添加類型信息；
將帶類型信息的ast語法樹通過llvmpy動態(tài)地轉(zhuǎn)換為機(jī)器碼函數(shù)，然后再通過和ctypes類似的技術(shù)為機(jī)器碼函數(shù)創(chuàng)建包裝函數(shù)供Python調(diào)用。

戀習(xí)Python
關(guān)注戀習(xí)Python，Python都好練
好文章，我在看??