使用 numba prange 封装 for 循环的 Python 并行化。为什么不工作

Question

在用 numba 并行化 3 个封装的 for 循环的实验中，我意识到幼稚的方法实际上并不能提高性能。以下代码产生以下时间(以秒为单位):

0.154625177383  # no numba
0.420143127441  # numba first time (lazy initialisation)
0.196285963058  # numba second time
0.200047016144  # nubma third time
0.199403047562  # nubma fourth time

知道我做错了什么吗？

import numpy as np
from numba import jit, prange
import time


def run_1():
    dims = [100,100,100]
    a = np.zeros(dims)
    for x in range(100):
        for y in range(100):
            for z in range(100):
                a[x,y,z] = 1
    return a

@jit
def run_2():
    dims = [100,100,100]
    a = np.zeros(dims)
    for x in prange(100):
        for y in prange(100):
            for z in prange(100):
                a[x,y,z] = 1
    return a


if __name__ == '__main__':
    t = time.time()
    run_1()
    elapsed1 = time.time() - t
    print elapsed1

    t = time.time()
    run_2()
    elapsed2 = time.time() - t
    print elapsed2

    t = time.time()
    run_2()
    elapsed3 = time.time() - t
    print elapsed3

    t = time.time()
    run_2()
    elapsed3 = time.time() - t
    print elapsed3

    t = time.time()
    run_2()
    elapsed3 = time.time() - t
    print elapsed3

Answer 1

我想知道这些循环中是否有任何需要 JIT 的代码:没有需要编译的重要 Python 代码，只有 C 代码上的薄包装器(是的，range 是C 代码)。 JIT 可能只会增加尝试分析和生成(不成功)更高效代码的开销。

如果你想要加速，请考虑 parallelization using scipy或者也许direct access to NumPy arrays from Cython .