提高python代码的运行速

2019-01-10 14:38 
python一直被病垢运行速度太慢,但是实际上python的执行效率并不慢,慢的是python用的解释器Cpython运行效率太差。

“一行代码让python的运行速度提高100倍”这绝不是哗众取宠的论调。

我们来看一下这个最简单的例子,从1一直累加到1亿。

最原始的代码:

  1. import time
  2. def foo(x,y):
  3.         tt = time.time()
  4.         s = 0
  5.         for i in range(x,y):
  6.                 s += i
  7.         print('Time used: {} sec'.format(time.time()-tt))
  8.         return s
  9. print(foo(1,100000000))

结果:
Time used: 6.779874801635742 sec
4999999950000000

我们来加一行代码,再看看结果:

  1. from numba import jit
  2. import time
  3. @jit
  4. def foo(x,y):
  5.         tt = time.time()
  6.         s = 0
  7.         for i in range(x,y):
  8.                 s += i
  9.         print('Time used: {} sec'.format(time.time()-tt))
  10.         return s
  11. print(foo(1,100000000))

结果:
Time used: 0.04680037498474121 sec
4999999950000000

是不是快了100多倍呢?

那么下面就分享一下“为啥numba库的jit模块那么牛掰?”(转自:http://hyry.dip.jp/tech/slice/slice.html/38

NumPy的创始人Travis Oliphant在离开Enthought之后,创建了CONTINUUM,致力于将Python大数据处理方面的应用。最近推出的Numba项目能够将处理NumPy数组的Python函数JIT编译为机器码执行,从而上百倍的提高程序的运算速度。

Numba项目的主页上有Linux下的详细安装步骤。编译LLVM需要花一些时间。
Windows用户可以从Unofficial Windows Binaries for Python Extension Packages下载安装LLVMPy、meta和numba等几个扩展库。

下面我们看一个例子:

  1. import numba as nb
  2. from numba import jit
  3. @jit('f8(f8[:])')
  4. def sum1d(array):
  5.     s = 0.0
  6.     n = array.shape[0]
  7.     for i in range(n):
  8.         s += array[i]
  9.     return s
  10. import numpy as np
  11. array = np.random.random(10000)
  12. %timeit sum1d(array)
  13. %timeit np.sum(array)
  14. %timeit sum(array)
  15. 10000 loops, best of 3: 38.9 us per loop
  16. 10000 loops, best of 3: 32.3 us per loop
  17. 100 loops, best of 3: 12.4 ms per loop

numba中提供了一些修饰器,它们可以将其修饰的函数JIT编译成机器码函数,并返回一个可在Python中调用机器码的包装对象。为了能将Python函数编译成能高速执行的机器码,我们需要告诉JIT编译器函数的各个参数和返回值的类型。我们可以通过多种方式指定类型信息,在上面的例子中,类型信息由一个字符串’f8(f8[:])’指定。其中’f8’表示8个字节双精度浮点数,括号前面的’f8’表示返回值类型,括号里的表示参数类型,’[:]’表示一维数组。因此整个类型字符串表示sum1d()是一个参数为双精度浮点数的一维数组,返回值是一个双精度浮点数。
需要注意的是,JIT所产生的函数只能对指定的类型的参数进行运算:

  1. print sum1d(np.ones(10, dtype=np.int32))
  2. print sum1d(np.ones(10, dtype=np.float32))
  3. print sum1d(np.ones(10, dtype=np.float64))
  4. 1.2095376009e-312
  5. 1.46201599944e+185
  6. 10.0

如果希望JIT能针对所有类型的参数进行运算,可以使用autojit:

  1. from numba import autojit
  2. @autojit
  3. def sum1d2(array):
  4.     s = 0.0
  5.     n = array.shape[0]
  6.     for i in range(n):
  7.         s += array[i]
  8.     return s
  9. %timeit sum1d2(array)
  10. print sum1d2(np.ones(10, dtype=np.int32))
  11. print sum1d2(np.ones(10, dtype=np.float32))
  12. print sum1d2(np.ones(10, dtype=np.float64))
  13. 10000 loops, best of 3: 143 us per loop
  14. 10.0
  15. 10.0
  16. 10.0

autoit虽然可以根据参数类型动态地产生机器码函数,但是由于它需要每次检查参数类型,因此计算速度也有所降低。numba的用法很简单,基本上就是用jit和autojit这两个修饰器,和一些类型对象。下面的程序列出numba所支持的所有类型:

  1. print [obj for obj in nb.__dict__.values() if isinstance(obj, nb.minivect.minitypes.Type)]
  2. [size_t, Py_uintptr_t, uint16, complex128, float, complex256, void, int , long double,
  3. unsigned PY_LONG_LONG, uint32, complex256, complex64, object_, npy_intp, const char *,
  4. double, unsigned short, float, object_, float, uint64, uint32, uint8, complex128, uint16,
  5. int, int , uint8, complex64, int8, uint64, double, long double, int32, double, long double,
  6. char, long, unsigned char, PY_LONG_LONG, int64, int16, unsigned long, int8, int16, int32,
  7. unsigned int, short, int64, Py_ssize_t]

工作原理
numba的通过meta模块解析Python函数的ast语法树,对各个变量添加相应的类型信息。然后调用llvmpy生成机器码,最后再生成机器码的Python调用接口。
meta模块
通过研究numba的工作原理,我们可以找到许多有用的工具。例如meta模块可在程序源码、ast语法树以及Python二进制码之间进行相互转换。下面看一个例子:

  1. def add2(a, b):
  2.     return a + b

decompile_func能将函数的代码对象反编译成ast语法树,而str_ast能直观地显示ast语法树,使用这两个工具学习Python的ast语法树是很有帮助的。

  1. from meta.decompiler import decompile_func
  2. from meta.asttools import str_ast
  3. print str_ast(decompile_func(add2))
  4. FunctionDef(args=arguments(args=[Name(ctx=Param(),
  5.                                       id='a'),
  6.                                  Name(ctx=Param(),
  7.                                       id='b')],
  8.                            defaults=[],
  9.                            kwarg=None,
  10.                            vararg=None),
  11.             body=[Return(value=BinOp(left=Name(ctx=Load(),
  12.                                                id='a'),
  13.                                      op=Add(),
  14.                                      right=Name(ctx=Load(),
  15.                                                 id='b')))],
  16.             decorator_list=[],
  17.             name='add2')

而python_source可以将ast语法树转换为Python源代码:

  1. from meta.asttools import python_source
  2. python_source(decompile_func(add2))
  3. def add2(a, b):
  4.     return (a + b)

decompile_pyc将上述二者结合起来,它能将Python编译之后的pyc或者pyo文件反编译成源代码。下面我们先写一个tmp.py文件,然后通过py_compile将其编译成tmp.pyc。

  1. with open("tmp.py", "w") as f:
  2.     f.write("""
  3. def square_sum(n):
  4.     s = 0
  5.     for i in range(n):
  6.         s += i**2
  7.     return s
  8. """)
  9. import py_compile
  10. py_compile.compile("tmp.py")

下面调用decompile_pyc将tmp.pyc显示为源代码:

  1. with open("tmp.pyc", "rb") as f:
  2.     decompile_pyc(f)
  3. def square_sum(n):
  4.     s = 0
  5.     for i in range(n):
  6.         s += (i ** 2)
  7.     return s

llvmpy模块
LLVM是一个动态编译器,llvmpy则可以通过Python调用LLVM动态地创建机器码。直接通过llvmpy创建机器码是比较繁琐的,例如下面的程序创建一个计算两个整数之和的函数,并调用它计算结果。

  1. from llvm.core import Module, Type, Builder
  2. from llvm.ee import ExecutionEngine, GenericValue
  3. # Create a new module with a function implementing this:
  4. #
  5. # int add(int a, int b) {
  6. #   return a + b;
  7. # }
  8. #
  9. my_module = Module.new('my_module')
  10. ty_int = Type.int()
  11. ty_func = Type.function(ty_int, [ty_int, ty_int])
  12. f_add = my_module.add_function(ty_func, "add")
  13. f_add.args[0].name = "a"
  14. f_add.args[1].name = "b"
  15. bb = f_add.append_basic_block("entry")
  16. # IRBuilder for our basic block
  17. builder = Builder.new(bb)
  18. tmp = builder.add(f_add.args[0], f_add.args[1], "tmp")
  19. builder.ret(tmp)
  20. # Create an execution engine object. This will create a JIT compiler
  21. # on platforms that support it, or an interpreter otherwise
  22. ee = ExecutionEngine.new(my_module)
  23. # Each argument needs to be passed as a GenericValue object, which is a kind
  24. # of variant
  25. arg1 = GenericValue.int(ty_int, 100)
  26. arg2 = GenericValue.int(ty_int, 42)
  27. # Now let's compile and run!
  28. retval = ee.run_function(f_add, [arg1, arg2])
  29. # The return value is also GenericValue. Let's print it.
  30. print "returned", retval.as_int()
  31. returned 142

f_add就是一个动态生成的机器码函数,我们可以把它想象成C语言编译之后的函数。在上面的程序中,我们通过ee.run_function调用此函数,而实际上我们还可以获得它的地址,然后通过Python的ctypes模块调用它。
首先通过ee.get_pointer_to_function获得f_add函数的地址:

  1. addr = ee.get_pointer_to_function(f_add)
  2. addr
  3. 2975997968L

然后通过ctypes.PYFUNCTYPE创建一个函数类型:

  1. import ctypes
  2. f_type = ctypes.PYFUNCTYPE(ctypes.c_int, ctypes.c_int, ctypes.c_int)

最后通过f_type将函数的地址转换为可调用的Python函数,并调用它:

  1. f = f_type(addr)
  2. f(100, 42)
  3. 142

numba所完成的工作就是:
解析Python函数的ast语法树并加以改造,添加类型信息;
将带类型信息的ast语法树通过llvmpy动态地转换为机器码函数,然后再通过和ctypes类似的技术为机器码函数创建包装函数供Python调用。

发表评论

您必须 登录 才能发表留言!