如何让Python像Julia一样快地运行

r1 = np.linspace(-2.0, 0.5, 26)

r2 = np.linspace(-1.0, 1.0, 21)

c3 = [complex(r, i) for r in r1 for i in r2]

return [mandel_numba(c) for c in c3]

%%cython 
 
  
 
cpdef long fib_cython_type(long n): 
 
   if n<2: 
 
     return n 
 
   return fib_cython_type(n-1)+fib_cython_type(n-2)

如不雅应用 Anaconda，安装会有所不合。因为安装有点复杂，所以我编写了一篇相干的博客文┞仿：将 Cython For Anaconda 安装在 Windows 上

安装后，我们应用神奇的 %load_ext 将 Cython 加载到 Notebook 中：

%load_ext Cython

然后就可以在我们的 Notebook 中编译代码。我们只须要将想要编译的代码放在一个单位中，包含所需的导入语句，应用神奇的 %%cython 启动该单位：

%%cython 
 
   
 
def fib_cython(n): 
 
    if n<2: 
 
        return n 
 
    return fib_cython(n-1)+fib_cython(n-2)

履行该单位会无缝地编译这段代码。我们为该函数应用一个稍微不合的名称，以反竽暌钩出它是应用 Cython编译的。当然，一般不须要这么做。我们可以将之前的函数调换为雷同名称的已编译函数。

对它计时会获得：

1000 loops, best of 3:1.22 ms per loop

哇，几乎比最初的 Python 代码快 3 倍!我们如今比应用 BigInt 的 Julia 快 100 倍。

我们还可以测验测验静态类型。应用关键字 cpdef 而不是 def 来声明该函数。它使我们可以或许应用响应的 C 类型来键入函数的参数。我们的代码变成了：

履行该单位后，对它计时会获得：

10000 loops, best of 3:36 µs per loop

太棒了，我们如今只花费了 36 微秒，比最初的基准测试快约 100 倍!这与 Julia 所花的 80 毫秒比拟更出色。

有人可能会说，静态类型违背了 Python的用处。一般来讲，我比较赞成这种说法，我们稍后将查看一种在不就义机能的情况下避免这种情况的办法。但我并不认为这是一个问题。Fibonacci函数必须应用整数来调用。我们在静态类型中掉去的是 Python 所供给的随便率性精度。对于 Fibonacci，应用 C 类型 long

所有 Julia 基准测试都与运行时光有关。这是 Julia 中应用和不应用 BigInt 的计时：

会限制输入参数的大年夜小，因为太大年夜的参数会导致整数溢出。

请留意，Julia 计算也是应用 64 位整数履行的，是以将我们的静态类型版本与 Julia 的比较是公平的。

还不错，但我们可以应用 Numba 做得更好。不幸的是，Numba 还不会编译列表推导式 (list

缓存计算

我们在保存 Python 随便率性精度的情况下能做得更好。fib 函数反复履行同一种枷⒚很多次。例如，fib(20) 将调用 fib(19) 和fib(18)。fib(19) 将调用 fib(18) 和 fib(17)。结不雅 fib(18) 被调用了两次。简单分析注解，fib(17) 将被调用 3 次，fib(16) 将被调用 5 次，等等。

2/11 首页上一页 1 2 3 4 5 6 下一页尾页

　　推荐阅读

　　云原生安全初创公司Aporeto融资1120万美元

Aporeto是一家“云原生”的安然始创公司，旨在确保那些不受信的IT情况的安然性。该公司方才在A轮融资——也就是岁尾产品宣布之前——获得了>>>详细阅读

本文标题：如何让Python像Julia一样快地运行

地址：http://www.17bianji.com/lsqh/35343.html

1/2 1