python加速器numba使用详解
作者：_刘文凯_
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,更多相关python加速器numba内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！