Numba np.convolve 真的很慢

话虽如此，与点积相关的问题有很多：

首先，如果内部变量_HAVE_BLASofnumba/np/arraymath.py被手动禁用，Numba 会使用点积的后备实现，它应该会显着变慢。然而，事实证明，使用 by 使用的后备点积实现np.convolve比在我的机器上使用 BLAS 包装器的执行速度快 5 倍！fastmath=True另外使用 Numba 装饰器中的参数njit会导致整体执行速度提高 8.7 倍！这是测试代码：

import numpy as np
import numba as nb

def npConvolve(a, b):
    return np.convolve(a, b)

@nb.njit('float64[:](float64[:], float64[:])')
def nbConvolveUncont(a, b):
    return np.convolve(a, b)

@nb.njit('float64[::1](float64[::1], float64[::1])')
def nbConvolveCont(a, b):
    return np.convolve(a, b)

a = np.random.random(6400)
b = np.random.random(65)
%timeit -n 100 npConvolve(a, b)
%timeit -n 100 nbConvolveUncont(a, b)
%timeit -n 100 nbConvolveCont(a, b)

以下是原始有趣的结果：

With _HAVE_BLAS=True (default):
126 µs ± 292 ns per loop
1.6 ms ± 21.3 µs per loop
1.6 ms ± 18.5 µs per loop

With _HAVE_BLAS=False:
125 µs ± 359 ns per loop
311 µs ± 1.18 µs per loop
268 µs ± 4.26 µs per loop

With _HAVE_BLAS=False and fastmath=True:
125 µs ± 757 ns per loop
327 µs ± 3.69 µs per loop
183 µs ± 654 ns per loop

此外，np_convolveNumba 在内部翻转一些数组参数，然后使用具有非平凡步幅（即非 1）的翻转数组执行点积。这种不平凡的步幅可能会对点积性能产生影响。更一般地说，任何阻止编译器知道数组是连续的转换肯定会强烈影响性能。实际上，以下测试显示了使用 Numba 的点积实现处理连续数组的影响：

import numpy as np
import numba as nb

def np_dot(a, b):
    return np.dot(a, b)

@nb.njit('float64(float64[::1], float64[::1])')
def nb_dot_cont(a, b):
    return np.dot(a, b)

@nb.njit('float64(float64[::1], float64[:])')
def nb_dot_stride(a, b):
    return np.dot(a, b)

v = np.random.random(128*1024)
%timeit -n 200 np_dot(v, v)         #  36.5 µs ±  4.9 µs per loop
%timeit -n 200 nb_dot_stride(v, v)  # 361.0 µs ± 17.1 µs per loop  (x10 !!!)
%timeit -n 200 nb_dot_cont(v, v)    #  34.1 µs ±  2.9 µs per loop

关于 Numpy 和 Numba 的一些一般说明

请注意，Numba 在处理非常大的数组时几乎无法加速 Numpy 调用，因为 Numba主要在 Python 中重新实现 Numpy 函数并使用JIT 编译器(LLVM-Lite) 来加速它们，而 Numpy 主要以普通方式实现 - C（带有相当慢的 Python 包装代码）。Numpy 代码使用SIMD 指令等低级处理器特性来加速许多函数的执行。两者似乎都使用已知高度优化的 BLAS 库。由于 Numpy 目前比 Numba 更成熟，因此 Numpy 通常会更加优化：Numpy 有更多的贡献者工作时间更长。