Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

--- talit:python_advanced [2025-08-29 15:28] – sca
+++ talit:python_advanced [2025-08-29 16:33] (aktuell) – [Numba] sca
@@ Zeile 380: / Zeile 380: @@
 ===== Numba =====
-Numba ist ein Just-in-Time (JIT) Compiler für Python, der Funktionen mit Hilfe von LLVM in Maschinencode übersetzt. Besonders nützlich ist Numba für numerische Berechnungen mit NumPy, da es diese massiv beschleunigen kann – auch durch Parallelisierung.
+Numba ist ein Just-in-Time (JIT) Compiler für Python, der Funktionen mit Hilfe von LLVM in Maschinencode übersetzt. Besonders nützlich ist Numba für **numerische Berechnungen mit NumPy**, da es diese **massiv beschleunigen** kann – auch durch **Parallelisierung**.
 Installation
@@ Zeile 387: / Zeile 387: @@
 </code>
+Tipps:
+   * **Vermeide Python-Objekte** (z. B. Listen, Dictionaries).
+   * Nutze **NumPy-Arrays** und primitive Datentypen (z.B. int).
+   * Verwende `numba.set_num_threads(n)` zur Kontrolle der Thread-Anzahl.
+==== Beispiel: Prinzahlen ====
+Wir schauen einen Code an, der ermittelt, wie viele Primzahlen es bis und mit einer vorgegebenen Zahl `n_max` gibt. Die Funktion `is_prime()` wurde dabei möglichst ineffizient programmiert.
+Version 1 ist der ursprüngliche Code, ganz ohne numba. In Version 2 wurde der Code mit ganz wenigen einfachen Anpassungen ungeschrieben und mit numba parallelisiert. Dabei konnte die Laufzeit von 26.5s auf 0.4s reduziert werden!!!
+**Version 1:** Ursprünglicher Code ohne numba. Zeit: 26.5s
+<code python>
+n_max = 1e5
+def is_prime(x):
+    for i in range(2,x):
+        if x % i == 0:
+            return False
+    return True
+nr_primes = 0
+for i in range(2,int(n_max)):
+    if is_prime(i):
+        nr_primes += 1
+print(nr_primes)
+</code>
+**Version 2:** Erste Optimierung mit numba. Zeit: 0.4s
+<code python>
+from numba import njit, prange
+import numpy as np
+@njit
+def is_prime(x):
+    for i in range(2,x):
+        if x % i == 0:
+            return False
+    return True
+@njit(parallel=True, fastmath=True)
+def run():
+    n_max = 3e4
+    nr_primes = 0
+    for i in prange(2,int(n_max)):
+        if is_prime(i):
+            nr_primes += 1
+    return nr_primes
+nr_primes = run()
+print(nr_primes)
+</code>
+Bemerkungen:
+   * @njit(parallel=True) aktiviert die **Parallelisierung**.
+   * `range` ersetzt durch `prange` (parallel-range): prange sorgt dafür, dass die Schleife über i *parallel* ausgeführt wird.
+==== Beispiel: Numpy-Arrays ====
+Hier ein einfaches Beispiel, welches Numpy-Arrays involviert:
+**Version 1**: ohne numba (8.0s)
+<code python>
+import numpy as np
+def berechne_sinus(x_vals):
+    result = np.empty_like(x_vals)
+    for i in range(len(x_vals)):
+        result[i] = np.sin(x_vals[i])
+    return result
+x = np.linspace(0, 2 * np.pi, int(1e7))
+y = berechne_sinus(x)
+</code>
+**Version 2**: mit numba (0.2s)
+<code python>
+import numpy as np
+from numba import njit, prange
+@njit(parallel=True, fastmath=True)
+def berechne_sinus(x_vals):
+    result = np.empty_like(x_vals)
+    for i in prange(len(x_vals)):
+        result[i] = np.sin(x_vals[i])
+    return result
+x = np.linspace(0, 2 * np.pi, int(1e7))
+y = berechne_sinus(x)
+</code>