本文主要介绍了python加速器numba使用详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

python的一个加速器包，这里不讲原理，只讲应用过程，以及给出几个小例子，直接写就行了; 另外还给出了numba如何定义使用List

1、最简单的使用

当输出返回值为整数或浮点数时：

from numba import jit
@jit(nopython=True)
def f(x, y):
    return x+y
 
if __name__ == '__main__':
    a = 1
    b = 1
    print(f(a,b))

解释：

使用装饰器，另外，nopython=True是防止numba自动更改加速模式，也就是使用nopython。

上述代码等价于：

from numba import njit
@njit  # 也就是jit(nopython=True)
def f(x, y):
    return x+y
 if __name__ == '__main__':
    a = 1
    b = 1
    print(f(a,b))

2、进阶

当输出返回值为“不同类型值”时：

装饰器使用：generated_jit

from numba import generated_jit, typed
 @generated_jit(nopython=True)
def f2(x):
    if x==1:
        return lambda x: x+1
    else:
        return lambda x: [1,2]
 if __name__ == '__main__':
    a = 1
    print(f2(a))

当进行矩阵或向量运算时：

使用装饰器：vectorize

from numba import vectorize, float64
import numpy as np
 @vectorize([float64(float64, float64)])  # 注意有中括号
def f(x, y):
    return x + y
 if __name__ == '__main__':
    a = np.array([1,2])
    b = np.array([2,2])
    print(f(a,b))

补充

在numba内定义列表：

import numpy as np
import time
NUM = 160
from numba import jit
from numba.typed import List
 a = List()
a.append(1) # 同样需要指定数据类型，塞个1，数据类型就是int
 @jit(nopython=True)
def f(a):
    for i in range(NUM):
        a.append(i)
 if __name__ == '__main__':
   for i in range(5):
    start = time.time()
    f(a)
    print(time.time()-start)

到此这篇关于python加速器numba使用详解的文章就介绍到这了