使用numba加速python程序

　　前面說過使用Cython來加速python程序的運行速度，可是相對來講程序改動較大，此次就說一種簡單的方式來加速python計算速度的方法，就是使用numba庫來進行，numba庫可使用JIT技術即時編譯，達到高性能，另外也可使用cuda GPU的計算能力來加速，對python來講是一個提速很是好的工具庫，使用簡單，可是安裝稍微複雜一些，具體過程以下：

　　安裝numba須要的依賴以下：

　　Python依賴有(按順序)：

　　setuptools

　　enum34     pypi下載地址：https://pypi.python.org/pypi/enum34

　　funcsigs 下載地址：https://pypi.python.org/pypi/funcsigs/

　　singledispatch 下載地址:https://pypi.python.org/pypi/singledispatch/

　　llvmlite https://pypi.python.org/pypi/llvmlite/  這個下載的是最新版的0.16.0

　　上面這些python依賴的安裝很簡單，都是解壓完而後執行python setup.py install便可

　　其中安裝llvmlite的時候須要最艱難的一步，llvmlite須要llvm環境的支持，而且0.16.0的版本必須依賴於3.9.x的環境，llvm官網下載地址是：http://releases.llvm.org/download.html 最新的版本是4.0.0，記住要下載3.9.1的，若是安裝了4.0.0那麼安裝llvmlite的時候會提示llvm版本問題，下載好的包以下：

　　llvm-3.9.1.src.tar.xz

　　cfe-3.9.1.src.tar.xz

　　clang-tools-extra-3.9.1.src.tar.xz

　　compiler-rt-3.9.1.src.tar.xz

　　依次執行以下命令解壓並操做：

xz -d llvm-3.9.1.src.tar.xz
xz -d cfe-3.9.1.src.tar.xz
xz -d clang-tools-extra-3.9.1.src.tar.xz
xz -d compiler-rt-3.9.1.src.tar.xz
tar -xvf llvm-3.9.1.src.tar
tar -xvf cfe-3.9.1.src.tar
tar -xvf clang-tools-extra-3.9.1.src.tar
tar -xvf compiler-rt-3.9.1.src.tar
mv cfe-3.9.1.src clang
mv clang llvm-3.9.1.src/tools/
mv clang-tools-extra-3.9.1.src extra
mv extra/ llvm-3.9.1.src/tools/clang/
mv compiler-rt-3.9.1.src compiler-rt
mv compiler-rt llvm-3.9.1.src/projects/

　　放好以後開始編譯源代碼，編譯須要使用cmake 若是沒有安裝須要安裝，下面開始編譯，編譯過程很是長，64G服務器還得半個小時左右，而且編譯出來的文件有20多G大小，硬盤也要留夠，爲防止編譯過程當中斷，儘可能使用screen會話執行：

mkdir build-3.9
cmake -G "Unix Makefiles" ../llvm-3.9.1.src
make -j4
make install

　　完了以後能夠刪除原來的代碼目錄

　　而後若是接下來再安裝llvmlite的話，若是報cannot find -lstdc++的錯誤的話那麼是缺乏下面的包，可使用yum安裝：

yum -y install glibc-static
yum -y install libstdc++-devel
yum -y install libstdc++-static

　　必須注意第三個必定要安裝，若是不安裝的話那麼一直會報上面的錯誤，也能夠下載libstdc++-static包進行離線安裝，下載地址是：https://pkgs.org/download/libstdc++-static 下載以後使用rpm安裝成功以後，再次安裝llvmlite就成功了

　　而後開始安裝numba，numba下載地址是:http://numba.pydata.org/download.html 這裏咱們下載最新版的0.31.0，下載以後和安裝普通依賴同樣執行setup.py就能夠了，最後安裝完成numba就可使用了，下面寫一個小案例來看一下加速後的程序和加速前的程序的區別，借用官網上最經典的例子：

#!/usr/bin/env python
# coding=utf-8
from numba import jit
from numpy import arange
import time

@jit
def sum2d(arr):
    M, N = arr.shape
    result = 0.0
    for i in range(M):
        for j in range(N):
            result += arr[i,j]
    return result

a = arange(9).reshape(3,3)
start_time = time.time()
for i in range(10000000):
    sum2d(a)
end_time = time.time()
print (end_time - start_time)

　　這裏使用numpy生成三行三列的矩陣，[[0,1,2],[3,4,5],[6,7,8]]而後作二維累加計算，值顯然應該是36，這裏作了10000000次這樣的計算，使用@jit註解能夠直接的使用numba jit技術實時編譯，從而提升速度，最終運行時間大約是3.86s，若是去掉註解的話那麼運行時間大約是25.45s從這裏能夠看出來大約有6.6倍的性能提高，因此使用numba加速python程序確實是方便簡單