[英]numpy faster than numba and cython , how to improve numba code
我在这里有一个简单的例子来帮助我理解使用 numba 和 cython。 我是 numba 和 cython 的新手。 我已经尽力结合所有技巧来使 numba 更快,并且在某种程度上,cython 也是如此,但我的 numpy 代码几乎比 numba 快 2 倍(对于 float64),如果使用 float32,则快 2 倍以上。 不确定我在这里缺少什么。
我在想也许问题不再是编码,而是更多关于编译器之类的,我不太熟悉。
我浏览了很多关于 numpy、numba 和 cython 的 stackoverflow 帖子,但没有找到直接的答案。
numpy 版本:
def py_expsum(x):
return np.sum( np.exp(x) )
麻麻版本:
@numba.jit( nopython=True)
def nb_expsum(x):
nx, ny = x.shape
val = 0.0
for ix in range(nx):
for iy in range(ny):
val += np.exp(x[ix, iy])
return val
赛通版本:
import numpy as np
import cython
from libc.math cimport exp
@cython.boundscheck(False)
@cython.wraparound(False)
cpdef double cy_expsum2 ( double[:,:] x, int nx, int ny ):
cdef:
double val = 0.0
int ix, iy
for ix in range(nx):
for iy in range(ny):
val += exp(x[ix, iy])
return val
播放大小为 2000 x 1000 的数组并循环超过 100 次。 对于 numba,它的第一次激活不计入循环。
使用 python 3(anaconda 发行版),窗口 10
float64 / float32
1. numpy : 0.56 sec / 0.23 sec
2. numba : 0.93 sec / 0.74 sec
3. cython: 0.83 sec
cython 接近 numba。 所以对我来说最大的问题是为什么 numba 不能击败 numpy 的运行时? 我在这里做错了什么或错过了什么? 其他因素如何起作用,我如何找出?
正如我们将看到的,行为取决于使用的 numpy-distribution。
这个答案将集中在 Anacoda-distribution 与 Intel 的 VML(矢量数学库),考虑到另一个硬件和 numpy 版本,millage 可能会有所不同。
还将展示如何通过 Cython 或numexpr
使用 VML,以防万一不使用 Anacoda-distribution,它会在引擎盖下插入 VML 以进行一些 numpy 操作。
对于以下维度,我可以重现您的结果
N,M=2*10**4, 10**3
a=np.random.rand(N, M)
我得到:
%timeit py_expsum(a) # 87ms
%timeit nb_expsum(a) # 672ms
%timeit nb_expsum2(a) # 412ms
大部分(约 90%)的计算时间用于评估exp
- 函数,正如我们将看到的,这是一项 CPU 密集型任务。
快速浏览top
-statistics 显示,numpy 的版本是并行执行的,但 numba 的情况并非如此。 但是,在我只有两个处理器的 VM 上,仅并行化无法解释因子 7 的巨大差异(如 DavidW 的版本nb_expsum2
)。
通过perf
对两个版本的代码进行分析显示如下:
nb_expsum
Overhead Command Shared Object Symbol
62,56% python libm-2.23.so [.] __ieee754_exp_avx
16,16% python libm-2.23.so [.] __GI___exp
5,25% python perf-28936.map [.] 0x00007f1658d53213
2,21% python mtrand.cpython-37m-x86_64-linux-gnu.so [.] rk_random
py_expsum
31,84% python libmkl_vml_avx.so [.] mkl_vml_kernel_dExp_E9HAynn ▒
9,47% python libiomp5.so [.] _INTERNAL_25_______src_kmp_barrier_cpp_38a91946::__kmp_wait_te▒
6,21% python [unknown] [k] 0xffffffff8140290c ▒
5,27% python mtrand.cpython-37m-x86_64-linux-gnu.so [.] rk_random
正如人们所看到的:numpy 在后台使用英特尔的并行矢量化 mkl/vml-version,它很容易胜过 numba(或并行版本的 numba 或lm.so
)使用的 gnu-math-library ( lm.so
) 中的版本那件事)。 可以通过使用并行化稍微平整地面,但 mkl 的矢量化版本仍然优于 numba 和 cython。
但是,仅查看一种尺寸的性能并不是很有启发性,并且在exp
(至于其他超越函数)的情况下,需要考虑两个维度:
x
值,计算exp(x)
需要不同的时间。 通常有三种不同类型的输入导致不同的计算时间:非常小、正常和非常大(具有非有限结果)我正在使用 perfplot 来可视化结果(请参阅附录中的代码)。 对于“正常”范围,我们得到以下表现:
虽然 0.0 的性能相似,但我们可以看到,一旦结果变得无限,英特尔的 VML 就会受到相当大的负面影响:
然而,还有其他事情需要注意:
<= 8192 = 2^13
numpy 使用 exp 的非并行 glibc 版本(也使用相同的 numba 和 cython)。那么后果是什么呢?
注意:numba 不能自动使用英特尔 VML 中的vdExp
(如评论中部分建议的那样),因为它单独计算exp(x)
,而 VML 对整个数组进行操作。
在写入和加载数据时,可以减少缓存未命中,这是由 numpy-version 使用以下算法执行的:
vdExp
,但也不会太小(开销)。但是,与 numpy 的版本相比,我不希望获得超过 10%(但也许我错了),因为无论如何 90% 的计算时间都花在 MVL 上。
尽管如此,这里是 Cython 中可能的快速和肮脏的实现:
%%cython -L=<path_mkl_libs> --link-args=-Wl,-rpath=<path_mkl_libs> --link-args=-Wl,--no-as-needed -l=mkl_intel_ilp64 -l=mkl_core -l=mkl_gnu_thread -l=iomp5
# path to mkl can be found via np.show_config()
# which libraries needed: https://software.intel.com/en-us/articles/intel-mkl-link-line-advisor
# another option would be to wrap mkl.h:
cdef extern from *:
"""
// MKL_INT is 64bit integer for mkl-ilp64
// see https://software.intel.com/en-us/mkl-developer-reference-c-c-datatypes-specific-to-intel-mkl
#define MKL_INT long long int
void vdExp(MKL_INT n, const double *x, double *y);
"""
void vdExp(long long int n, const double *x, double *y)
def cy_expsum(const double[:,:] v):
cdef:
double[1024] w;
int n = v.size
int current = 0;
double res = 0.0
int size = 0
int i = 0
while current<n:
size = n-current
if size>1024:
size = 1024
vdExp(size, &v[0,0]+current, w)
for i in range(size):
res+=w[i]
current+=size
return res
然而,正是numexpr
会做什么,它也使用英特尔的 vml 作为后端:
import numexpr as ne
def ne_expsum(x):
return ne.evaluate("sum(exp(x))")
至于时间,我们可以看到以下内容:
有以下值得注意的细节:
房源:
情节:
import numpy as np
def py_expsum(x):
return np.sum(np.exp(x))
import numba as nb
@nb.jit( nopython=True)
def nb_expsum(x):
nx, ny = x.shape
val = 0.0
for ix in range(nx):
for iy in range(ny):
val += np.exp( x[ix, iy] )
return val
@nb.jit( nopython=True, parallel=True)
def nb_expsum2(x):
nx, ny = x.shape
val = 0.0
for ix in range(nx):
for iy in nb.prange(ny):
val += np.exp( x[ix, iy] )
return val
import perfplot
factor = 1.0 # 0.0 or 1e4
perfplot.show(
setup=lambda n: factor*np.random.rand(1,n),
n_range=[2**k for k in range(0,27)],
kernels=[
py_expsum,
nb_expsum,
nb_expsum2,
],
logx=True,
logy=True,
xlabel='len(x)'
)
添加并行化。 在 Numba 中,只涉及制作外循环prange
并将parallel=True
添加到jit
选项:
@numba.jit( nopython=True,parallel=True)
def nb_expsum2(x):
nx, ny = x.shape
val = 0.0
for ix in numba.prange(nx):
for iy in range(ny):
val += np.exp( x[ix, iy] )
return val
在我的 PC 上,它比非并行版本提速了 3.2 倍。 也就是说,在我的 PC 上,Numba 和 Cython 都按书面形式击败了 Numpy。
你也可以在 Cython 中进行并行化——我没有在这里测试过,但我希望在性能上与 Numba 相似。 (另请注意,对于 Cython,您可以从x.shape[0]
和x.shape[1]
获得nx
和ny
,因此您不必关闭边界检查,然后完全依靠用户输入来保持在边界内) .
如果您在 Numpy 中使用 Intel SVML,也可以在 Numba、Numexpr 或 Cython 等其他软件包中使用它。 Numba 性能提示
如果 Numpy 命令被并行化,也尝试在 Numba 或 Cython 中并行化它。
代码
import os
#Have to be before importing numpy
#Test with 1 Thread against a single thread Numba/Cython Version and
#at least with number of physical cores against parallel versions
os.environ["MKL_NUM_THREADS"] = "1"
import numpy as np
#from version 0.43 until 0.47 this has to be set before importing numba
#Bug: https://github.com/numba/numba/issues/4689
from llvmlite import binding
binding.set_option('SVML', '-vector-library=SVML')
import numba as nb
def py_expsum(x):
return np.sum( np.exp(x) )
@nb.njit(parallel=False,fastmath=True) #set it to True for a parallel version
def nb_expsum(x):
val = nb.float32(0.)#change this to float64 on the float64 version
for ix in nb.prange(x.shape[0]):
for iy in range(x.shape[1]):
val += np.exp(x[ix,iy])
return val
N,M=2000, 1000
#a=np.random.rand(N*M).reshape((N,M)).astype(np.float32)
a=np.random.rand(N*M).reshape((N,M))
基准
#float64
%timeit py_expsum(a) #os.environ["MKL_NUM_THREADS"] = "1"
#7.44 ms ± 86.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit py_expsum(a) #os.environ["MKL_NUM_THREADS"] = "6"
#4.83 ms ± 139 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit nb_expsum(a) #parallel=false
#2.49 ms ± 25.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit nb_expsum(a) ##parallel=true
#568 µs ± 45.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
#float32
%timeit py_expsum(a) #os.environ["MKL_NUM_THREADS"] = "1"
#3.44 ms ± 66.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit py_expsum(a) #os.environ["MKL_NUM_THREADS"] = "6"
#2.59 ms ± 35.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit nb_expsum(a) #parallel=false
#1 ms ± 12.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit nb_expsum(a) #parallel=true
#252 µs ± 19.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
带有 SVML 的 Perfplot
import numpy as np
#from version 0.43 until 0.47 this has to be set before importing numba
#Bug: https://github.com/numba/numba/issues/4689
from llvmlite import binding
binding.set_option('SVML', '-vector-library=SVML')
import numba as nb
def py_expsum(x):
return np.sum(np.exp(x))
@nb.jit( nopython=True,parallel=False,fastmath=False)
def nb_expsum_single_thread(x):
nx, ny = x.shape
val = 0.0
for ix in range(nx):
for iy in range(ny):
val += np.exp( x[ix, iy] )
return val
#fastmath makes SIMD-vectorization possible
#val+=some_value is not vectorizable (scalar depends on scalar)
#This would also prevents the usage of SVML
@nb.jit( nopython=True,parallel=False,fastmath=True)
def nb_expsum_single_thread_vec(x):
nx, ny = x.shape
val = 0.0
for ix in range(nx):
for iy in range(ny):
val += np.exp( x[ix, iy] )
return val
@nb.jit(nopython=True,parallel=True,fastmath=False)
def nb_expsum_parallel(x):
nx, ny = x.shape
val = 0.0
#parallelization over the outer loop is almost every time faster
#except for rare cases like this (x.shape -> (1,n))
for ix in range(nx):
for iy in nb.prange(ny):
val += np.exp( x[ix, iy] )
return val
#fastmath makes SIMD-vectorization possible
#val+=some_value is not vectorizable (scalar depends on scalar)
#This would also prevents the usage of SVML
@nb.jit(nopython=True,parallel=True,fastmath=True)
def nb_expsum_parallel_vec(x):
nx, ny = x.shape
val = 0.0
#parallelization over the outer loop is almost every time faster
#except for rare cases like this (x.shape -> (1,n))
for ix in range(nx):
for iy in nb.prange(ny):
val += np.exp( x[ix, iy] )
return val
import perfplot
factor = 1.0 # 0.0 or 1e4
perfplot.show(
setup=lambda n: factor*np.random.rand(1,n),
n_range=[2**k for k in range(0,27)],
kernels=[
py_expsum,
nb_expsum_single_thread,
nb_expsum_single_thread_vec,
nb_expsum_parallel,
nb_expsum_parallel_vec,
cy_expsum
],
logx=True,
logy=True,
xlabel='len(x)'
)
检查是否使用过 SVML
检查一切是否按预期工作可能很有用。
def check_SVML(func):
if 'intel_svmlcc' in func.inspect_llvm(func.signatures[0]):
print("found")
else:
print("not found")
check_SVML(nb_expsum_parallel_vec)
#found
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.