您现在的位置是：首页 > Python

当前栏目

numba为Python提速

Python

2023-03-02 10:58:08 时间

from time import time
    from numba import jit
    # from numba import autojit
    # @autojit							#能对所有类型的参数进行运算
    
    @jit								#即时编译，产生的函数只能对指定类型的参数进行运算
    def foo():
    	i = 0
    	for a in range(200000000):
    		i += 1
    
    @jit                                #可同时使用多个@jit
    def foo2():						   
    	for a in range(200000000):
    		continue
    
    if __name__ == '__main__':
    	start = time()
    	foo()
    	end = time()
    	shi = end-start
    	start2 = time()
    	foo2()
    	end2 = time()
    	shi2 = end2-start2
    	print("foo()总耗时：%s秒" % shi)
    	print("foo2()总耗时：%s秒" % shi2)

注释掉@jit，foo()耗时17.66000986099243秒，foo2()耗时6.496371507644653秒；  
启用@jit，foo()耗时0.04500269889831543秒，foo2()耗时0.041002511978149414秒；  
foo()相差392倍，foo2()相差158倍；  
@jit必须在要加速的函数上方（不能隔其他函数）才有效，可同时使用多个@jit。

**注意下面的情况：**

@jit								
    def foo():
    	x = []
    	for a in range(10000000):
    		x.append(a)
    
    def foo2():	
    	y = []					   
    	for b in range(10000000):
    		y.append(b)
    
    if __name__ == '__main__':
    	start = time()
    	foo()
    	end = time()
    	shi = end - start
    	start2 = time()
    	foo2()
    	end2 = time()
    	shi2 = end2 - start2
    	print("foo()总耗时：%s秒" % shi)
    	print("foo2()总耗时：%s秒" % shi2)

当遍历100000次时：

foo()总耗时：0.11800670623779297秒
    foo2()总耗时：0.011000633239746094秒

当遍历1000000次时：

foo()总耗时：0.1390078067779541秒
    foo2()总耗时：0.1480085849761963秒

当遍历10000000次时：

foo()总耗时：0.5130293369293213秒
    foo2()总耗时：1.4940855503082275秒

当遍历100000000次时：电脑崩溃了，内存占用太大。  
综上：@jit适合数据量大时使用，数据量少时尽量不要使用。

猜你喜欢

CleanMyMac4.12.3最新版本下载更新
微信公众号x低代码，微搭公众号应用开发快速上手教程
BERT vs GPT：了解自然语言处理中的关键差异
图解机器学习术语-a系列
NLP鱼书学习笔记1-神经网络推理
windows提权
劳保防护用品穿戴识别系统
Redis实战9-全局唯一ID
一篇文章告诉你 golang 环境变量的所有基础操作
django 用表单验证数据
服装厂如何做精益布局设计？
振弦采集模块配置工具VMTool 扩展功能指令生成器与实时曲线
Python异步: 什么是异步编程？（1）
RNA-seq 详细教程：分析流程介绍（1）
RNA-seq 详细教程：实验设计（2）
RNA-seq 详细教程：分析准备（3）
RNA-seq 详细教程：count 数据探索（4）
RNA-seq 详细教程：搞定count归一化（5）
RNA-seq 详细教程：样本质控（6）
RNA-seq 详细教程： `DESeq2` 差异表达分析（7）

zl程序教程

当前栏目

numba为Python提速

相关文章