麻木渴望汇编?图案是什么

Question

我在numba的网站上查看了急切的编译，但不知道如何指定类型：

他们使用的例子是：

from numba import jit, int32
@jit(int32(int32, int32))
def f(x, y):
# A somewhat trivial example
return x + y
# source: http://numba.pydata.org/numba-doc/latest/user/jit.html#eager-compilation

正如您所看到的，它得到2个变量作为输入，并返回一个单独的变量。它们都应该是int32。

理解decorator的一种方法是@jit(int32(int32, int32))可以理解为：

@jit(type_of_returned_value(type_of_x，type_of_b((

如果这是正确的(是正确的吗？(，那么如何为多个输入和输出指定它？

像这样：

@nb.jit
def filter3(a,b):
return a > b 
@nb.jit
def func3(list_of_arrays_A, list_of_arrays_B, list_of_arrays_C, list_of_arrays_D, 2d_numpy_array_of_objects):
for i in range(len(list_of_arrays_A)): 
for j in range(list_of_arrays_A[i].size):

if filter3(list_of_arrays_A[i][j],list_of_arrays_B[i][j]):
2d_numpy_array_of_objects[i][j] = 1
elif filter3(list_of_arrays_B[i][j],list_of_arrays_A[i][j]):
2d_numpy_array_of_objects[i][j] = 0
elif filter3(list_of_arrays_C[i][j],list_of_arrays_D[i][j]): 
2d_numpy_array_of_objects[i][j] = 0
else:                       
2d_numpy_array_of_objects[i][j] = 1 
'''
My intention: Since i need to speed up a function which is only called once, (but takes forever if **not** done with numba), I need to speed up its numba-compilation 

Answer 1

总是可以使用numba.typeof来干扰变量的类型。例如

import numpy as np
import numba as nb
N=10000
simple_list= [np.zeros(1) for x in range(N)]
nb.typeof(simple_list)
# reflected list(array(float64, 1d, C))

或：

from numba.typed import List
typed_list=List()
for _ in range(N):
typed_list.append(np.zeros(1))
nb.typeof(typed_list)
# ListType[array(float64, 1d, C)]

因此，您可以提前编译提供以下签名：

@nb.jit([nb.void(nb.typeof(typed_list)),
nb.void(nb.typeof(simple_list))])
def fun(lst):
pass

值得注意的细节：

• 我正在提前编译两个不同版本的函数：一个用于numba的TypedList(nb.void(nb.typeof(typed_list)(，另一个用于python的list(nb.void(nb.typeof(simple_list))(
• 我不使用签名字符串，而是使用签名本身(例如这里描述的(，因为如果我正确理解的话，TypedList或反射列表不存在签名字符串(更多信息如下(
• 由于函数fun不返回任何内容，因此函数的返回类型为void，因此签名中为nb.void(...)

然而，有趣的是simple_list版本有多少额外的开销：

%timeit fun(simple_list)  # 185 ms ± 4.23 ms 
%timeit fun(typed_list)   # 1.18 µs ± 69.3 ns

即大约CCD_ 14的因子！原因也很清楚：为了检查传递的列表是否真的是reflected list(array(float64, 1d, C))类型，numba必须查看列表中的每个元素。另一方面，对于TypedList，它要简单得多：列表中不能有超过一个类型——不需要迭代整个列表！

因此，人们应该更喜欢创建和使用TypedList，而不仅仅是为了消除弃用警告。

---

可能不可能为reflected list或TypedList提供字符串，因为现在使用以下代码来解析签名：

def _parse_signature_string(signature_str):
# Just eval signature_str using the types submodules as globals
return eval(signature_str, {}, types.__dict__)

并且由于CCD_ 20没有CCD_ 21或CCD_。

---

一旦函数被编译(提前或及时(，就可以在相应的Dispatcher-对象中看到签名，例如通过：

[x.signature for x in fun.overloads.values()]
# [(ListType[array(float64, 1d, C)],) -> none,
#  (reflected list(array(float64, 2d, C)),) -> none]

这可以用来计算函数的右返回类型(这里none表示void(。