Numba加速嵌套函数

Question

我曾尝试使用numba来accelerate lambda function，但我没有这样做。 numba不支持lambda。所以我将lambda函数重写为def函数。我正在构造一个隐式函数f（x，y，z）= x ^ 2 + y ^ 2-z ^ 2和其他一些函数，它们只会在构造之后进行一次计算。 xi，yi，zi用于隐式函数的转换。

def wrapperNode(xi,yi,zi,R):

    @nb.jit(nopython=True)
    def Node(x,y,z):
        x = xi - x
        y = yi - y
        z = zi - z
        return x**2 + y**2 - z**2

    return Node

import time
for i in range(10):
    Start = time.time()
    Node = wrapperNode(i+1.0,i+2.0,i+3.0,i+4.0)
    a = Node(1.0,2.0,3.0)
    Final = time.time()
    print(Final-Start)

每个循环的时间结果：

0.137923002243042
0.14062094688415527
0.14144468307495117
0.1332840919494629
0.12716078758239746
0.14055514335632324
0.14062023162841797
0.1423487663269043
0.14061713218688965
0.1943662166595459

它实际上比简单地评估包装函数中的Node函数要慢得多。每次我更改包装器函数的输入参数时，如果我评估它，计算机必须编译Node函数。所以没有加速......我正在寻找一种加速整个包装函数的方法。如果有人有任何想法，请帮助。谢谢！

Answer 1

它不仅是编译，也是“jitted”功能的调度。

使用numba jit进行这样一个只有标量组件的简单函数是不值得的。如果参数是数据数组并且操作​​将以矢量方式执行，那么它将有意义......但仅当元素数量增加时才有意义。

在numba中你有两个开销：1。编译2.调度（给定的函数可能有不同的编译版本，基于参数的类型，因此必须完成调用的类型签名，检查内部字典是否完成基于该签名，参数未拆箱并且实际调用已完成）。这需要不可忽视的时间。因此，您需要一个足够复杂的功能来分摊这次

经验法则：它不适用于没有循环的简单代码，无论是显式（for，while ......）还是隐式（矢量代码都可以通过@numba.vectorize更好地处理）。

Answer 2

您可以尝试使用缓存以避免每次调用该函数时重新编译

@nb.jit(nopython=True,cache=True)

希望能帮助到你