Numba jited len() 比纯 Python len() 慢

Question

我正在学习 numba 并遇到了我不理解的这种“奇怪”行为。 我尝试使用以下代码（在 iPython 中，用于计时）：

import numpy as np
import numba as nb

@nb.njit
def nb_len(seq):
    return len(seq)

def py_len(seq):
    return len(seq)

##
t = np.random.rand(1000)

%timeit nb_len(t)
%timeit py_len(t)

结果如下（实际上是因为numba编译而第二次运行）：

258 ns ± 1.37 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
137 ns ± 0.964 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

纯python版本的速度是numba版本的两倍。 我也尝试了签名@nb.njit( nb.int32(nb.float64[:]) )，但结果还是一样。

我是不是在哪里弄错了？

谢谢。

Answer 1

增加时间的不是 len() 部分。使用输入参数调用 jit 函数会增加开销，这就是您看到的时间差。

import numba as nb

def py_pass(i):
    return i

@nb.njit()
def nb_pass(i):
    return i

%timeit py_pass(1)
%timeit nb_pass(1)

输入参数的结果

102 ns ± 0.371 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
165 ns ± 0.783 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

有趣的是，如果你不需要向 jit 函数传递任何东西，它会更快：

def py_pass():
    return 1

@nb.njit()
def nb_pass():
    return 1

%timeit py_pass()
%timeit nb_pass()

没有输入参数的结果

96.6 ns ± 0.278 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
75.8 ns ± 0.221 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

Answer 2

正如other answer 所说，在这种情况下不是因为len 函数，而是因为对numba 函数的调用实际上比对普通Python 函数的调用慢。

jit-ted 函数有何不同？

要理解为什么调用 numba jitted 函数更慢，我们必须明白 numba jited 函数不再是一个函数。这是一个调度程序对象：

import numba as nb
@nb.njit
def nb_len(seq):
    return len(seq)
print(nb_len)  # CPUDispatcher(<function nb_len at 0x0000027EB1B4E798>)

这个CPUDispatcher 实例代表（可能）多个基于修饰函数生成的编译函数。

这意味着当您调用CPUDispatcher 实例时，有多个步骤：

• 获取参数的类型。
• 如果没有适合这些类型参数的编译函数，则使用参数类型编译修饰函数。
• 有时：将参数转换为相应的 numba 类型。
• 调用编译后的函数。

与未装饰的函数相比，所有这些步骤都会增加开销。特别是如果没有合适的编译函数并且调度程序需要编译函数 - 或者 - 输入类型需要转换（仅适用于 Python 类型，如：列表、集合、字典）调用 CPUDispatcher 会慢很多 - 这些类型在编写 numba 0.46 时已被弃用，部分原因是，请参阅"2.11.2. Deprecation of reflection for List and Set types"。

你的情况

在您的情况下，由于编译，第一次调用 jited 函数会明显变慢。

任何后续调用只会稍微慢一些，因为 numba 必须获取参数类型，检查是否已经存在编译函数，然后调用该编译函数。有趣的是，额外的时间取决于参数的数量和该函数已编译的“重载”数量。通常这个额外的时间是微不足道的，因为该函数的作用远不止调用len。

编译时间

尽管函数非常简单，但第一次调用的编译需要大量时间：

import numpy as np
import numba as nb

def first_call(seq):
    @nb.njit
    def nb_len(seq):
        return len(seq)
    return nb_len(seq)

@nb.njit
def _nb_len(seq):
    return len(seq)

def subsequent_calls(seq):
    return _nb_len(seq)

t = np.random.rand(1000)
_nb_len(np.ones(1, dtype=np.float64))

%timeit first_call(t)
# 29.8 ms ± 1.57 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit subsequent_calls(t)
# 384 ns ± 6.02 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

转化时间

另外，如果 numba 需要转换参数，它会慢很多。这只发生在 numba 无法直接处理的 Python 类型上，例如列表：

import numpy as np
import numba as nb

@nb.njit
def nb_len(seq):
    return len(seq)

arr = np.random.rand(10_000)
lst = arr.tolist()

nb_len(arr)
nb_len(lst)

%timeit nb_len(arr)
# 354 ns ± 24 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit nb_len(lst)
# 14.1 ms ± 950 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

总结

• 与普通 Python 函数相比，Numba 函数有一些额外的开销。因此，请确保你做了 numba 擅长优化的“足够”的事情，否则一个普通的 Python 函数会更快、更灵活并且更容易调试。
• numba 函数中的函数调用确实不同于 numba 函数之外的函数调用。所以nb_len 中的len() 和py_len 中的len() 可以有完全不同的运行时间。但是在这种情况下，运行时间几乎相同。但通常最好能意识到这一点。
• 根据参数类型，numba 函数可能（在幕后）非常慢，尤其是在将 Python 类型作为参数或返回类型处理时！