使用numba加速python程序

　　前面說過使用Cython來加速python程序的運行速度，但是相對來說程序改動較大，這次就說一種簡單的方式來加速python計算速度的方法，就是使用numba庫來進行，numba庫可以使用JIT技術即時編譯，達到高性能，另外也可以使用cuda GPU的計算能力來加速，對python來說是一個提速非常好的工具庫，使用簡單，但是安裝稍微復雜一些，具體過程如下：

　　安裝numba需要的依賴如下：

　　Python依賴有(按順序)：

　　setuptools

　　enum34     pypi下載地址：https://pypi.python.org/pypi/enum34

　　funcsigs 下載地址：https://pypi.python.org/pypi/funcsigs/

　　singledispatch 下載地址:https://pypi.python.org/pypi/singledispatch/

　　llvmlite https://pypi.python.org/pypi/llvmlite/  這個下載的是最新版的0.16.0

　　上面這些python依賴的安裝很簡單，都是解壓完然后執行python setup.py install即可

　　其中安裝llvmlite的時候需要最艱難的一步，llvmlite需要llvm環境的支持，並且0.16.0的版本必須依賴於3.9.x的環境，llvm官網下載地址是：http://releases.llvm.org/download.html 最新的版本是4.0.0，記住要下載3.9.1的，如果安裝了4.0.0那么安裝llvmlite的時候會提示llvm版本問題，下載好的包如下：

　　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

　　依次執行如下命令解壓並操作：

xz -d llvm-3.9.1.src.tar.xz
xz -d cfe-3.9.1.src.tar.xz
xz -d clang-tools-extra-3.9.1.src.tar.xz
xz -d compiler-rt-3.9.1.src.tar.xz
tar -xvf llvm-3.9.1.src.tar
tar -xvf cfe-3.9.1.src.tar
tar -xvf clang-tools-extra-3.9.1.src.tar
tar -xvf compiler-rt-3.9.1.src.tar
mv cfe-3.9.1.src clang
mv clang llvm-3.9.1.src/tools/
mv clang-tools-extra-3.9.1.src extra
mv extra/ llvm-3.9.1.src/tools/clang/
mv compiler-rt-3.9.1.src compiler-rt
mv compiler-rt llvm-3.9.1.src/projects/

　　放好之后開始編譯源代碼，編譯需要使用cmake 如果沒有安裝需要安裝，下面開始編譯，編譯過程非常長，64G服務器還得半個小時左右，並且編譯出來的文件有20多G大小，硬盤也要留夠，為防止編譯過程中斷，盡量使用screen會話執行：

mkdir build-3.9
cmake -G "Unix Makefiles" ../llvm-3.9.1.src
make -j4
make install

　　完了之后可以刪除原來的代碼目錄

　　然后如果接下來再安裝llvmlite的話，如果報cannot find -lstdc++的錯誤的話那么是缺少下面的包，可以使用yum安裝：

yum -y install glibc-static
yum -y install libstdc++-devel
yum -y install libstdc++-static

　　必須注意第三個一定要安裝，如果不安裝的話那么一直會報上面的錯誤，也可以下載libstdc++-static包進行離線安裝，下載地址是：https://pkgs.org/download/libstdc++-static 下載之后使用rpm安裝成功之后，再次安裝llvmlite就成功了

　　然后開始安裝numba，numba下載地址是:http://numba.pydata.org/download.html 這里我們下載最新版的0.31.0，下載之后和安裝普通依賴一樣執行setup.py就可以了，最后安裝完成numba就可以使用了，下面寫一個小案例來看一下加速后的程序和加速前的程序的區別，借用官網上最經典的例子：

#!/usr/bin/env python
# coding=utf-8
from numba import jit
from numpy import arange
import time

@jit
def sum2d(arr):
    M, N = arr.shape
    result = 0.0
    for i in range(M):
        for j in range(N):
            result += arr[i,j]
    return result

a = arange(9).reshape(3,3)
start_time = time.time()
for i in range(10000000):
    sum2d(a)
end_time = time.time()
print (end_time - start_time)

　　這里使用numpy生成三行三列的矩陣，[[0,1,2],[3,4,5],[6,7,8]]然后做二維累加計算，值顯然應該是36，這里做了10000000次這樣的計算，使用@jit注解可以直接的使用numba jit技術實時編譯，從而提高速度，最終運行時間大約是3.86s，如果去掉注解的話那么運行時間大約是25.45s從這里可以看出來大約有6.6倍的性能提升，所以使用numba加速python程序確實是方便簡單