python - numba 中的@jit 和@vectorize 有什么区别？

Question

什么时候应该使用@vectorize？

我尝试了@jit 并显示了下面的那部分代码，

from numba import jit

@jit
def kma(g,temp): 
    k=np.exp(-(g+np.abs(g))/(2*temp))   
    return k

但我的代码没有加速算法。为什么？

Answer 1

@vectorize 用于编写可以一次将一个元素(标量)应用于数组的表达式。 @jit 装饰器更通用，可以处理任何类型的计算。

文档中有对其他好处的详细讨论:

http://numba.pydata.org/numba-doc/latest/user/vectorize.html

You might ask yourself, “why would I go through this instead of compiling a simple iteration loop using the @jit decorator?”. The answer is that NumPy ufuncs automatically get other features such as reduction, accumulation or broadcasting.

你的代码没有被加速的原因(我看到 jitted 和非 jitted 代码之间几乎相同的性能)，是你正在执行的操作已经完全由低级编译代码处理在 numpy 向量化操作的背后。

如果您展开隐式循环以避免创建中间数组，您可能会节省一些钱，但通常 numba 确实擅长于在 numpy 中不容易向量化的操作。