numba guvectorize target ='parallel'比target ='cpu'慢

Question

我一直在尝试优化一段涉及大型多维数组计算的python代码。我在numba上得到了违反直觉的结果。我正在2015年中期的MBP，2.5 GHz
i7四核，OS 10.10.5，python 2.7.11上运行。考虑以下：

 import numpy as np
 from numba import jit, vectorize, guvectorize
 import numexpr as ne
 import timeit

 def add_two_2ds_naive(A,B,res):
     for i in range(A.shape[0]):
         for j in range(B.shape[1]):
             res[i,j] = A[i,j]+B[i,j]

 @jit
 def add_two_2ds_jit(A,B,res):
     for i in range(A.shape[0]):
         for j in range(B.shape[1]):
             res[i,j] = A[i,j]+B[i,j]

 @guvectorize(['float64[:,:],float64[:,:],float64[:,:]'],
    '(n,m),(n,m)->(n,m)',target='cpu')
 def add_two_2ds_cpu(A,B,res):
     for i in range(A.shape[0]):
         for j in range(B.shape[1]):
             res[i,j] = A[i,j]+B[i,j]

 @guvectorize(['(float64[:,:],float64[:,:],float64[:,:])'],
    '(n,m),(n,m)->(n,m)',target='parallel')
 def add_two_2ds_parallel(A,B,res):
     for i in range(A.shape[0]):
         for j in range(B.shape[1]):
             res[i,j] = A[i,j]+B[i,j]

 def add_two_2ds_numexpr(A,B,res):
     res = ne.evaluate('A+B')

 if __name__=="__main__":
     np.random.seed(69)
     A = np.random.rand(10000,100)
     B = np.random.rand(10000,100)
     res = np.zeros((10000,100))

我现在可以在各种功能上运行timeit了：

%timeit add_two_2ds_jit(A,B,res)
1000 loops, best of 3: 1.16 ms per loop

%timeit add_two_2ds_cpu(A,B,res)
1000 loops, best of 3: 1.19 ms per loop

%timeit add_two_2ds_parallel(A,B,res)
100 loops, best of 3: 6.9 ms per loop

%timeit add_two_2ds_numexpr(A,B,res)
1000 loops, best of 3: 1.62 ms per loop

似乎“并行”甚至不占用单个内核的大部分资源，因为它的用法top表明python的“并行”命中率约为40％，cpu的命中率为100％，numexpr的命中率为300％
。

Answer 1

@guvectorize实现有两个问题。首先是您正在@guvectorize内核中进行所有循环，因此Numba并行目标实际上没有什么可以并行化。@vectorize和@guvectorize都在ufunc
/
gufunc中的广播维度上并行化。由于gufunc的签名是2D，而您的输入是2D，因此只有一次对内部函数的调用，这解释了您看到的唯一100％CPU使用率。

编写上面具有的功能的最佳方法是使用常规ufunc：

@vectorize('(float64, float64)', target='parallel')
def add_ufunc(a, b):
    return a + b

然后在我的系统上，我看到了这些速度：

%timeit add_two_2ds_jit(A,B,res)
1000 loops, best of 3: 1.87 ms per loop

%timeit add_two_2ds_cpu(A,B,res)
1000 loops, best of 3: 1.81 ms per loop

%timeit add_two_2ds_parallel(A,B,res)
The slowest run took 11.82 times longer than the fastest. This could mean that an intermediate result is being cached 
100 loops, best of 3: 2.43 ms per loop

%timeit add_two_2ds_numexpr(A,B,res)
100 loops, best of 3: 2.79 ms per loop

%timeit add_ufunc(A, B, res)
The slowest run took 9.24 times longer than the fastest. This could mean that an intermediate result is being cached 
1000 loops, best of 3: 2.03 ms per loop

（这与您的OS X系统非常相似，但使用的是OS X 10.11。）

尽管现在Numba的并行ufunc击败了numexpr（我看到add_ufunc使用的是大约280％的CPU），但是它没有击败简单的单线程CPU情况。我怀疑瓶颈是由于内存（或缓存）带宽引起的，但是我还没有进行测量来检查这一点。

一般而言，如果您对每个存储元素（例如余弦）执行更多的数学运算，则可以从并行ufunc目标中受益匪浅。