在numba中，“jit”和“vectorize”有什么区别？
在numba中，“jit”和“vectorize”有什么区别？
提问于 2017-11-29 19:47:18
我什么时候应该使用@vectorize？
我尝试了@jit并展示了下面代码的那一部分，
from numba import jit
@jit
def kma(g,temp):
k=np.exp(-(g+np.abs(g))/(2*temp))
return k但我的代码并没有加速算法。为什么？
回答 1
Stack Overflow用户
发布于 2017-11-29 20:02:02
@vectorize用于编写一个表达式，该表达式可以一次应用一个元素(标量)到数组。@jit装饰器更通用，可以处理任何类型的计算。
对文档中的其他好处进行了详细讨论：
http://numba.pydata.org/numba-doc/latest/user/vectorize.html
您可能会问自己，“为什么我要使用@jit装饰器来编译一个简单的迭代循环呢？”答案是NumPy功能自动获得其他功能，如缩减、积累或广播。
您的代码没有加速的原因(我看到在numpy代码和非low代码之间的性能几乎相同)，因为您正在执行的操作已经完全由位于numpy向量化操作后面的低级别编译代码处理。
如果展开隐式循环以避免中间数组的创建，可能会节省一些费用，但通常numba确实擅长于在numpy中不易向量化的操作。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/47560627
复制相关文章
相似问题
腾讯云开发者
