编程语言
首页 > 编程语言> > python-numba中的性能嵌套循环

python-numba中的性能嵌套循环

作者:互联网

出于性能原因,除了NumPy之外,我还开始使用Numba.我的Numba算法正在运行,但是我觉得它应该更快.有一点使它放慢了速度.这是代码片段:

@nb.njit
def rfunc1(ws, a, l):
    gn = a**l
    for x1 in range(gn):
        for x2 in range(gn):
            for x3 in range(gn):
                y = 0.0
                for i in range(1, l):
                    if numpy.all(ws[x1][0:i] == ws[x2][0:i]) and
                    numpy.all(ws[x1][i:l] == ws[x3][i:l]):
                        y += 1
                    if numpy.all(ws[x1][0:i] == ws[x2][0:i]) and 
                    numpy.all(ws[x1][i:l] == ws[x3][i:l]):
                        y += 1

我认为if命令会降低它的速度.有没有更好的办法? (我在此处尝试实现的功能与先前发布的问题有关:Count possibilites for single crossovers)ws是大小为(gn,l)的NumPy数组,其中包含0和1

解决方法:

鉴于希望确保所有项目相等的逻辑,您可以利用以下事实:如果有任何一项不相等,则可以使计算短路(即停止比较).我稍微修改了原始函数,以使(1)您不会重复相同的比较两次,并且(2)在所有嵌套循环中求和,因此可以比较返回值:

@nb.njit
def rfunc1(ws, a, l):
    gn = a**l
    ysum = 0
    for x1 in range(gn):
        for x2 in range(gn):
            for x3 in range(gn):
                y = 0.0
                for i in range(1, l):
                    if np.all(ws[x1][0:i] == ws[x2][0:i]) and np.all(ws[x1][i:l] == ws[x3][i:l]):
                        y += 1
                        ysum += 1

    return ysum


@nb.njit
def rfunc2(ws, a, l):
    gn = a**l
    ysum = 0
    for x1 in range(gn):
        for x2 in range(gn):
            for x3 in range(gn):
                y = 0.0
                for i in range(1, l):

                    incr_y = True
                    for j in range(i):
                        if ws[x1,j] != ws[x2,j]:
                            incr_y = False
                            break

                    if incr_y is True:
                        for j in range(i,l):
                            if ws[x1,j] != ws[x3,j]:
                                incr_y = False
                                break
                    if incr_y is True:
                        y += 1
                        ysum += 1
    return ysum

我不知道完整的功能是什么样子,但是希望这可以帮助您开始正确的道路.

现在来看一些时间:

l = 7
a = 2
gn = a**l
ws = np.random.randint(0,2,size=(gn,l))
In [23]:

%timeit rfunc1(ws, a , l)
1 loop, best of 3: 2.11 s per loop


%timeit rfunc2(ws, a , l)
1 loop, best of 3: 39.9 ms per loop

In [27]: rfunc1(ws, a , l)
Out[27]: 131919

In [30]: rfunc2(ws, a , l)
Out[30]: 131919

这使您的速度提高了50倍.

标签:python,numpy,numba
来源: https://codeday.me/bug/20191012/1897077.html