Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

Link zu der Vergleichsansicht

Beide Seiten, vorherige Überarbeitung Vorherige Überarbeitung
Nächste Überarbeitung		 Vorherige Überarbeitung
talit:python_advanced [2025-08-29 15:47] – [Beispiel] scatalit:python_advanced [2025-08-29 16:33] (aktuell) – [Numba] sca
Zeile 380: Zeile 380:
 ===== Numba ===== ===== 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 Installation
Zeile 387: Zeile 387:
 </code> </code>
  
-=== Beispiel ===+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 **Version 1:** Ursprünglicher Code ohne numba. Zeit: 26.5s
Zeile 410: Zeile 421:
 from numba import njit, prange from numba import njit, prange
 import numpy as np import numpy as np
 + 
 @njit @njit
 def is_prime(x): def is_prime(x):
Zeile 417: Zeile 428:
             return False             return False
     return True     return True
- +  
-@njit(parallel=True)+@njit(parallel=True, fastmath=True)
 def run(): def run():
     n_max = 3e4     n_max = 3e4
Zeile 426: Zeile 437:
             nr_primes += 1             nr_primes += 1
     return nr_primes     return nr_primes
 + 
 nr_primes = run() nr_primes = run()
 print(nr_primes) print(nr_primes)
 </code> </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>
 +
  • talit/python_advanced.1756482441.txt.gz
  • Zuletzt geändert: 2025-08-29 15:47
  • von sca