Numba是一個可以利用GPU/CPU和CUDA 對python函數進行動態編譯，大幅提高執行速度的加速工具包。
- 利用修飾器
@jit,@cuda.jit,@vectorize等對函數進行編譯- JIT：即時編譯，提高執行速度
- 基於特定數據類型
- 集中於數值計算(高效編譯math，cmath，sub-numpy)
Numba是一個開源的JIT編譯器，可以將python或者numpy 的一些數學計算編譯為運算速度極快的機器碼，從而大幅提升程序的運算效率。它使用通用的LLVM編譯庫，不僅可以編譯用於CPU執行的代碼，達到和C相比擬的速度，同時還可以調用GPU庫（如NVIDIA的CUDA和AMD的ROCs等）來實現GPU加速，所左右這些，都可以簡單的利用python中的裝飾器來實現。
注：本系列主要集中於GPU和CUDA加速的使用。
1. 安裝
如果安裝過anaconda以及tensorflow等軟件，numba可能已經在環境中了。先檢查避免重復安裝。
請仔細對照官網步驟以免GPU驅動出錯！！！
官網步驟>>>link
直接利用conda或者pip即可安裝:
$ conda install numba
$ pip install numba
GPU 安裝請注意驅動！!
對於NvidiaGPU需要安裝驅動和CUDA（推薦CUDA 8.0 or later）
#官網介紹：conda直接安裝cudatoolkit即可，無需安裝cuda
$ conda install cudatoolkit
但*pip安裝可能需要自行安裝cuda，並設置環境變量
NUMBAPRO_CUDA_DRIVER :Path to the CUDA driver shared library file
NUMBAPRO_NVVM :Path to the CUDA libNVVM shared library file
NUMBAPRO_LIBDEVICE :Path to the CUDA libNVVM libdevice directory which contains .bc files
最后使用:numba -s來查看安裝情況。
對於numba，如果安裝不便的情況下可以使用雲服務或者在線notebook來學習, 以及一個GPU的notebook
2.基本使用
Numba主要使用修飾器來對python函數進行編譯加速，其中包括了@jit,@vectorize,@cuda.jit等常用修飾器。
import numpy as np
def my_add(a,b):
return a+b
使用Numpy加速：
from numba import jit
#利用jit編譯加速 cpu
@jit
def my_numba_add(x, y):
return x + y
測試一下函數的表現
###
#在jupyter 中可以使用%timeit來測試
import time
def test(n):
a = np.array((n))
b = np.array((n))
tic1 = time.time()
my_add(a,b)
t1 = time.time()-tic1
print('python time:',t1)
tic2 = time.time()
my_numba_add(a,b)
t2 = time.time()-tic2
print('Numba time:',t2)
print('Numba acclerated %f times'%(t1/t2))
#由於計算比較簡單，獲得的加速比並不大。有興趣可以加入復雜運算做測試
>>>test(1000)
python time: 2.956390380859375e-05
Numba time: 1.7881393432617188e-05
Numba acclerated 1.653333 times
ref:
http://numba.pydata.org/
https://www.jianshu.com/p/f342ecf11c26
https://blog.csdn.net/u013975830/article/details/78822919?utm_source=blogxgwz8