numba.jit 似乎对性能没有影响的情况

Question

我正在运行简单的测试，看看 numba.jit 是如何提高 numpy 数组循环函数的速度的。但是，在这两个示例中：def f():    a=np.ones(1000)    for i in range(100000):        a+=np.random.normal(0,1,1000)%time f()和from numba import jit@jitdef g():    a=np.ones(1000)    for i in range(100000):        a+=np.random.normal(0,1,1000)%time g()我得到：CPU 时间：用户 3.75 秒，系统：0 ns，总计：3.75 秒挂墙时间：3.75 秒CPU 时间：用户 3.86 秒，系统：4.11 毫秒，总计：3.86 秒挂墙时间：3.84 秒所以 numba.jit 在这种情况下似乎没有任何影响。这是为什么？

Answer 1

目前尚不清楚为什么您认为应该进行改进。我通过添加一个带有 的内部循环看到了改进numba，这可能是因为 JIT 编译可以使用更基本的、较低级别的类型优化操作。

# python 3.6.0, numpy 1.11.3, numba 0.30.1

np.random.seed(0)

def f(m, n):

    a = np.ones(n)

    for i in range(m):

        a += np.random.normal(0,1,n)

    return a

@jit

def g(m, n):

    a = np.ones(n)

    for i in range(m):

        x = np.random.normal(0,1,n)

        for j in range(n):

            a[j] += x[j]

    return a

%timeit f(10**5, 10**3)  # 6.53 s per loop

%timeit g(10**5, 10**3)  # 4.68 s per loop