使用numba加速python程序

　　前面说过使用Cython来加速python程序的运行速度&＃xff0c;但是相对来说程序改动较大&＃xff0c;这次就说一种简单的方式来加速python计算速度的方法&＃xff0c;就是使用numba库来进行&＃xff0c;numba库可以使用JIT技术即时编译&＃xff0c;达到高性能&＃xff0c;另外也可以使用cuda GPU的计算能力来加速&＃xff0c;对python来说是一个提速非常好的工具库&＃xff0c;使用简单&＃xff0c;但是安装稍微复杂一些&＃xff0c;具体过程如下&＃xff1a;

　　安装numba需要的依赖如下&＃xff1a;

　　Python依赖有(按顺序)&＃xff1a;

　　setuptools

　　enum34     pypi下载地址&＃xff1a;https://pypi.python.org/pypi/enum34

　　funcsigs 下载地址&＃xff1a;https://pypi.python.org/pypi/funcsigs/

　　singledispatch 下载地址:https://pypi.python.org/pypi/singledispatch/

　　llvmlite https://pypi.python.org/pypi/llvmlite/  这个下载的是最新版的0.16.0

　　上面这些python依赖的安装很简单&＃xff0c;都是解压完然后执行python setup.py install即可

　　其中安装llvmlite的时候需要最艰难的一步&＃xff0c;llvmlite需要llvm环境的支持&＃xff0c;并且0.16.0的版本必须依赖于3.9.x的环境&＃xff0c;llvm官网下载地址是&＃xff1a;http://releases.llvm.org/download.html 最新的版本是4.0.0&＃xff0c;记住要下载3.9.1的&＃xff0c;如果安装了4.0.0那么安装llvmlite的时候会提示llvm版本问题&＃xff0c;下载好的包如下&＃xff1a;

　　llvm-3.9.1.src.tar.xz

　　cfe-3.9.1.src.tar.xz

　　clang-tools-extra-3.9.1.src.tar.xz

　　compiler-rt-3.9.1.src.tar.xz

　　依次执行如下命令解压并操作&＃xff1a;

　　放好之后开始编译源代码&＃xff0c;编译需要使用cmake 如果没有安装需要安装&＃xff0c;下面开始编译&＃xff0c;编译过程非常长&＃xff0c;64G服务器还得半个小时左右&＃xff0c;并且编译出来的文件有20多G大小&＃xff0c;硬盘也要留够&＃xff0c;为防止编译过程中断&＃xff0c;尽量使用screen会话执行&＃xff1a;

　　完了之后可以删除原来的代码目录

　　然后如果接下来再安装llvmlite的话&＃xff0c;如果报cannot find -lstdc&＃43;&＃43;的错误的话那么是缺少下面的包&＃xff0c;可以使用yum安装&＃xff1a;

　　必须注意第三个一定要安装&＃xff0c;如果不安装的话那么一直会报上面的错误&＃xff0c;也可以下载libstdc&＃43;&＃43;-static包进行离线安装&＃xff0c;下载地址是&＃xff1a;https://pkgs.org/download/libstdc&＃43;&＃43;-static 下载之后使用rpm安装成功之后&＃xff0c;再次安装llvmlite就成功了

　　然后开始安装numba&＃xff0c;numba下载地址是:http://numba.pydata.org/download.html 这里我们下载最新版的0.31.0&＃xff0c;下载之后和安装普通依赖一样执行setup.py就可以了&＃xff0c;最后安装完成numba就可以使用了&＃xff0c;下面写一个小案例来看一下加速后的程序和加速前的程序的区别&＃xff0c;借用官网上最经典的例子&＃xff1a;

　　这里使用numpy生成三行三列的矩阵&＃xff0c;[[0,1,2],[3,4,5],[6,7,8]]然后做二维累加计算&＃xff0c;值显然应该是36&＃xff0c;这里做了10000000次这样的计算&＃xff0c;使用&＃64;jit注解可以直接的使用numba jit技术实时编译&＃xff0c;从而提高速度&＃xff0c;最终运行时间大约是3.86s&＃xff0c;如果去掉注解的话那么运行时间大约是25.45s从这里可以看出来大约有6.6倍的性能提升&＃xff0c;所以使用numba加速python程序确实是方便简单