Numba 開發手冊 (二)

四、靈活專業的@generated_jit

@jit修飾符在很多情況下是極其有效的，但是有時需要根據輸入變量的類型來決定函數的實現功能。@generated_jit修飾符編譯時能夠進行一些特例化選擇。

示例：

import numpy as np

from numba import generated_jit, types

@generated_jit(nopython=True)
def is_missing(x):
    """
    Return True if the value is missing, False otherwise.
    """
    if isinstance(x, types.Float):
        return lambda x: np.isnan(x)
    elif isinstance(x, (types.NPDatetime, types.NPTimedelta)):
        # The corresponding Not-a-Time value
        missing = x('NaT')
        return lambda x: x == missing
    else:
        return lambda x: False

上面的代碼完成的是根據輸入去判斷缺省值的事情。

注意下面問題：

1、在調用的時候，傳入的參數，使用變量的numba類型，而不是值；

2、這個修飾函數返回的結果不是一個計算結果；

 

五、創建Numpy通用函數(universal funtions)

首先 看下什么叫做universal funtions:

A universal function (or ufunc for short) is a function that operates on ndarrays in an element-by-element fashion, supporting array broadcasting, type casting, and several other standard features. That is, a ufunc is a “vectorized” wrapper for a function that takes a fixed number of specific inputs and produces a fixed number of specific outputs.

@vectorize修飾符

傳統的ufuncs的構建是涉及到C語言編程的，numba中只需要@vectorize修飾符，就可以獲得和C寫的ufuncs一樣快速的性能。

使用@vectorize，可以寫操作輸入標量的函數，而不是arrays。（這是什么意思？）

（這個地方給出的示例沒有看懂，除了定義的時候不同，沒有看出有什么區別）

按照文檔里面的說法，是NumPy ufuncs會自動獲得其他功能，如縮小，累積或廣播。

@guvectorize修飾符

guvectorize允許處理任意長度的輸入arrays。

但是與vectorize不同的是，guvectorize不會返回結果值，而是作為函數的參數傳入。

下面是一個示例：

 

@guvectorize([(int64[:], int64, int64[:])], '(n),()->(n)')
def g(x, y, res):
    for i in range(x.shape[0]):
        res[i] = x[i] + y

 

上面的函數中，傳入的是一個一維數組和一個標量，最后一個傳入的參數是結果值。在聲明的過程中，有兩個事情需要注意一下：

• '(n),()->(n)'的意思是說明傳入的是一個長度維n的一維向量和一個標量，輸出的是一個長度為n的一維向量

•  需要指定支持的數據類型

Dynamic universal functions

 

如果不去申明具體的數據類型，那么將會編譯出一個dynamic universal function。

每次改變傳入的數據類型，那么numba就會generate新的kernels。

 

六、用@jitclass編譯python類

示例：

 

import numpy as np
from numba import jitclass          # import the decorator
from numba import int32, float32    # import the types

spec = [
    ('value', int32),               # a simple scalar field
    ('array', float32[:]),          # an array field
]

@jitclass(spec)
class Bag(object):
    def __init__(self, value):
        self.value = value
        self.array = np.zeros(value, dtype=np.float32)

    @property
    def size(self):
        return self.array.size

    def increment(self, val):
        for i in range(self.size):
            self.array[i] = val
        return self.array

 

（此處留坑）