Visit https://docs.zsl0621.cc/docs/python/numba-tutorial-accelerate-python-computing for the best reading experience.

Ultimate Numba Guide Speed-Up Python Numerical

Numba 教學：加速 Python 科學計算

你能找到最好的中文教學

鑑於繁體中文資源匱乏，最近剛好又重新看了一下文檔，於是整理資訊分享給大家。本篇的目標讀者是沒學過計算機的初階用戶到中高階用戶都可以讀，筆者能非常肯定的說這篇文章絕對是你能找到最好的教學，本教學覆蓋了除了 CUDA 以外的所有使用方式，對於 CUDA，本文直接提供更好的教學連結。

• 為甚麼選擇此教學

  最快、最正確、最完整¹

  筆者各種坑都踩過了，只要照教學做就可以得到最好性能，不會漏掉任何優化可能；除此之外本文第一不廢話，第二上手極快，第三介紹如何除錯和優化，第四補充進階使用方式，第五給出精選的延伸閱讀。

• 如何閱讀本文
  本文根據官方文檔重新編排，邏輯由常用到少用，使用方式簡單到複雜。

  不用害怕文章看似很長，初學者只需看基礎使用即可掌握絕大多數使用情境；還要更快再看自動平行化與競爭危害以及其他裝飾器；如果你急到不行，看完一分鐘學會 Numba 後直接看小結。

:::info 寫在前面

不要看 舊版，左上角版本號 0.52 的文檔！內容缺失，偏偏舊版文檔 Google 搜尋在前面，一不小心就點進去了。

:::

簡介：Numba 是什麼？

Numba 是一個針對 Python 數值和科學計算優化的即時編譯器 (JIT compiler)，能顯著提升 Python 執行速度，尤其是涉及大量 Numpy 數學運算的程式。

Python 之所以慢的原因是身為動態語言，在運行時需要額外開銷來進行類型檢查，還需要轉譯成字節碼在虛擬機上執行，更有 GIL 進一步限制效能²³，於是 Numba 就針對這些問題來解決，以下是他的優化原理：

• 靜態類型推斷：Numba 在編譯時分析程式碼推斷變數類型，避免型別檢查拖累速度。
• 即時編譯：將 Python 函數編譯⁴成針對當前 CPU 架構優化的機器碼，並且以 LLVM 優化效能。
• 向量化：LLVM 架構會調用 SIMD，將操作向量化。
• 平行化：Numba 支援平行運算，還支援使用 CUDA 計算。

我是否該選擇 Numba？

Q: 哪些程式適合 Numba

大量包含迴圈的 Numpy 數值運算，且不涉及 I/O 操作，例如 pandas。(If your code is numerically orientated (does a lot of math), uses NumPy a lot and/or has a lot of loops, then numba is often a good choice.)

Q: Numba 有什麼特點？

1. 簡單：只要一行裝飾器就可以加速程式，也支援自動平行化，效能還優於 Python 層級多線程。
2. 高效：專為科學計算而生，基於 LLVM 執行速度比其他套件更快。
3. 強大：支援 CUDA 以顯示卡執行高度平行化的計算。
4. 通用：除了即時編譯也支援提前編譯，讓程式碼在沒有 Numba 或要求首次執行速度的場景應用。
5. 限制：被設計成和 Numpy 深度協同工作，只支援 Numpy 和 Python 中有限的 methods，使用起來會覺得綁手綁腳，如果遇到不支援的 method 需要繞彎或者手刻⁵。

Q: 和競爭品如何選擇？

常見的競爭選項有 Cython、pybind11、Pythran 和 CuPy，我們從特點討論到性能，最後做出結論。

• 特點

  • Cython：需要學會他的獨特語法，該語法只能用在 Cython。
  • pybind：就是寫 C++。
  • Pythran：和 Numba 接近，但是是提前編譯。
  • Numba：只支援 Numpy，並且有些語法不支援，如 fft 和稀疏矩陣。
  • CuPy：為了 Numpy+Scipy 而生的 CUDA 計算套件。

• 效能 從 Python 加速符文 這篇文章中我們可以看到效能相差不大，除此之外，你能確定文章作者真的會用該套件嗎？就像我在寫這篇文章前也不知道 Numba 有這個魔法，網路上也幾乎沒有文章提到。

  所以我們應該考量的是套件是否有限制和可維護性，而不是追求最快的效能，不然一開始就寫 C 不就好了。但是套件的限制在使用之前根本不知道，例如 Numba 不支援稀疏矩陣我也是踩過坑才知道，所以考量就剩下維護性了，而 Numba 在可讀性和偵錯都有很好的表現。

  另外與 Numba 相似的 Pythran 搜尋結果只有一萬筆資料，筆者將其歸類為 others，不要折磨自己。

• 結論
  經過這些討論我們可以總結成以下

  • Numba：簡單又快。適用不會太多程式優化技巧，也不太會用到不支援的函式的用戶。除此之外也支援 CUDA 計算。
  • Cython：麻煩又不見得比較快。最大的優點也是唯一的優點是支援更多 Python 語法，以及你希望對程式有更多控制，Numba 因為太方便所以運作起來也像是個黑盒子，有時你會感到不安心。
  • pybind：極限性能要求。
  • CuPy：大量平行計算，需要 CUDA 計算。