numba

1热度

1回答

为了提高循环的性能，我使用了Numba向量化方法。 s1 = pd.Series([1,3,5,6,8,10,1,1,1,1,1,1]) s2 = pd.Series([4,5,6,8,10,1,7,1,6,5,4,3]) ding=pd.DataFrame({'A':s1,'B':s2}) @numba.vectorize(['float64(int16,int16)']) def

2热度

1回答

Numba python3得到错误[GPU ufunc需要数组参数才能有确切的类型。]

我试图在我的GPU上使用numba来做np.diff。这是我使用的脚本; import numpy as np import numba @numba.vectorize(["float32(float32, float32)"], target='cuda') def vector_diff_axis0(a, b): return a + b def my_diff(A,

-3热度

1回答

用numba加速旋转矩阵计算

我正在尝试加速一组旋转矩阵的计算，这些计算会产生一个3D矩阵（维度= 3x3xnumv，其中numv是顶点的数量）。到目前为止，我的jit函数导致计算速度明显变慢。 from numpy import sin, cos, ones, sqrt, array, float64, zeros, isnan, shape from numpy.linalg import norm from numb

0热度

1回答

`@ numba.jitclass`特殊方法去哪里？

TL; DR：在用类别@numba.jitclass装饰类时，不会在类的实例中出现__add__等特殊方法，而其他方法正常工作。为什么会发生？考虑下面的类声明： import numba as nb dual_spec = [('x', nb.float64), ('y', nb.float64)] @nb.jitclass(dual_spec) class xy:

1热度

1回答

Numba jitclass：父类类型的类成员

考虑类自由度，并且其子particleGroup： class dof(): def getVar(self): return self.var spec = [ ('var', float64[:]), ('C_s', float64[:]), ] @jitclass(spec) class particleGroup(dof):

2热度

1回答

如何调用使用指针在Numba返回值ctypes的功能@jit

例如，下面是用指针来返回一个简单的C函数值： void add(double x, double y, double *r) { *r = x + y; } 我想打电话给每一个元素add()功能在两个数组中，并通过numba @jit函数收集结果。第一编译的C代码： !gcc -c -fpic func.c !gcc -shared -o func.so func.o 而

2热度

2回答

什么是从数组中选择最小的n个元素的最快方法？

我在写quick select algorithm使用numba很开心，并且想要分享结果。考虑阵列x np.random.seed([3,1415]) x = np.random.permutation(np.arange(10)) x array([9, 4, 5, 1, 7, 6, 8, 3, 2, 0]) 什么是拉最小的n个元素的最快方式。我已经试过 np.partition

0热度

1回答

在numba nopython函数中计算阶乘的最快方法

我有一个函数，我想用numba进行编译，但是我需要计算该函数内部的阶乘。不幸的是numba不支持math.factorial： import math import numba as nb @nb.njit def factorial1(x): return math.factorial(x) factorial1(10) # UntypedAttributeError:

2热度

1回答

Numba python CUDA与简单操作中的cuBLAS速度差异

我正在分析一些代码，但无法找出性能差异。我试图在两个数组之间做一个简单的元素明智的添加（就地）。这是CUDA内核使用numba： from numba import cuda @cuda.jit('void(float32[:], float32[:])') def cuda_add(x, y): ix = cuda.threadIdx.x + cuda.blockIdx.x *

-1热度

1回答

Numba：在jitted函数中访问类属性

我有以下一个简单的问题。 import numba import numpy as np class MyClass(object): def __init__(self): self.Value=0.0 self.Array=np.array([],dtype=np.float64) @numba.jit(nopython=True) def Fun