** "Wenn Sie 10-mal schneller rechnen können, können Sie 10-mal mehr Fehler machen" ** Wenn Sie so denken, sollte jeder denken, dass es schön wäre, schnelle Berechnungen durchführen zu können.
Der Titel lautet Numba, ein Modul, mit dem Berechnungen in Python mithilfe des JIT-Compilers (Just-in-Time) beschleunigt werden können. Dieser Artikel ist eine Sammlung ausgezeichneter früherer Artikel über Numba als Memorandum. Unten finden Sie eine kurze Beschreibung von Numba.
In Python ist die for-Anweisung die Ursache für Verzögerungen und kann durch Einschlussnotation beschleunigt werden.
Es kann jedoch Situationen geben, in denen Sie die for-Anweisung ** verwenden müssen (insbesondere mehrmals) **.
Numba ist ein ** may ** Tool, das Anweisungen mit nur zwei Anweisungen beschleunigen kann: import numba und @ numba.jit.
Hier ist eine Liste der von Numba unterstützten Funktionen. Numpy Support in numba
Wenn Sie genau hinschauen, sehen Sie vier Regeln wie add``subtract und einfache Funktionen wie exp`` log10 sqrt.
Dreiecksfunktionen wie "sin" cos "tan" werden unterstützt.
Die aktuelle Situation ist jedoch, dass viele Berechnungen wie "fft" nicht verarbeitet werden können (oder ist dies im Prinzip unmöglich?). (* Das bedeutet nicht, dass Sie nicht rechnen können, nur weil es nicht schneller wird.) Einschlussnotationen, die schnell berechnet werden können, und leere Listen können nicht mit numba berechnet werden. In diesem Bereich scheint die definierte Funktion fein aufgeteilt und dort verwendet zu werden, wo numba verwendet werden kann.
Damit ・ Führen Sie viele Male einfache Berechnungen durch ・ Drehen Sie mehrere für Anweisungen In einem solchen Fall kann es beschleunigt werden? Das ist Numba.
Man kann sagen, dass es notwendig ist, mit der for-Anweisung gut umzugehen, um Numpy zu nutzen, das mit hoher Geschwindigkeit berechnet werden kann.
** Nachfolgend finden Sie eine Zusammenfassung der Artikel, die sich mit dem Inhalt von Numba befassen. ** ** **
Schreiben Sie ein Programm eine Million Mal schneller http://qiita.com/Akai_Banana/items/48a35d2a40d1804d3b32
Python: Beschleunigung mit Numba http://dr-kayai.hatenablog.com/entry/2014/10/09/175456
Ich dachte, es wäre langsam, die for-Anweisung in NumPy zu verwenden, aber das war nicht der Fall. http://qiita.com/termoshtt/items/d6cf43e777946b3c1d93
Hinweise zur Beschleunigung des Python-Codes mit Numba http://qiita.com/toyolab/items/b5d95bd38b3c7c66b510
So beschleunigen Sie Python-Code mit der JIT-Compiler-Bibliothek Numba erheblich http://myenigma.hatenablog.com/entry/2017/03/02/155433
Was ich getan habe, als ich Python schneller machen wollte - Numba Edition - http://qiita.com/open_cans/items/b6cde6c28f8eacba0ca1
Wie man Python für Anfänger schneller macht [numpy] http://qiita.com/yukkyo1222/items/df4487bbc2767c630247
Ich habe Numba mit Python3.5 installiert und verwendet http://qiita.com/fujibo/items/9a776e671170137d7ade
Beschleunigen Sie den Python-Code (erste Numba) http://fjkei.hatenadiary.jp/entry/2015/06/21/121251o
Beschleunigen Sie die Reaktionsdiffusionssimulation mit Python mit JIT https://qiita.com/kaityo256/items/3c07252ab63591256835
Recommended Posts