numba @jit慢了一點，純粹的python？

Question

所以我需要改善我一直在努力的腳本的執行時間。我開始與numba JIT裝飾工作，試圖並行計算然而它拋出我

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

，所以我決定測試nogil如果解除從我的CPU整體的能力，但它比純Python我不明白爲什麼這個慢事情發生了，如果有人可以幫助我，或指引，我將非常感激

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：每循環 137微秒最慢的運行速度比最快的耗時較長7.13倍。這可能意味着正在緩存中間結果 1000000個循環，最好爲3：每個循環1.75μs

Answer 1

您不能指望numba在這種簡單的矢量化操作上勝過numpy。由於numba函數包含外部函數調用的成本，因此您的比較並不完全公平。如果總結更大的陣列，你會發現兩者的性能匯聚，哪些是你所看到的僅僅是在一個非常快的操作開銷：

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 

至於並行功能，對於這個簡單的操作，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，如果你在小數組操作，你將要看到線程分派的開銷：您可以使用nb.vectorize。對於上面的數組大小，我看到並行給我一個2x加速。

凡numba真正的閃光點是這樣做很難用廣播在numpy的做，或者在操作會導致大量的臨時中間陣列分配的操作。