Optimiza tu Código Python con Numba
Descubre todas las funcionalidades de aceleración de Python con Numba. Aprende cómo optimizar código Python y optimizar tus recursos, con esta potente herramienta.
¿Qué vamos a ver en este artículo?
Numba es un compilador para Python, el nombre del módulo diseñado especialmente para acelerar tus funciones numéricas, generando código máquina optimizado a partir de código Python, usando LLVM. Con esta herramienta puedes optimizar tu código y obtener una performance similar a la de C, y C++, sin tener que cambiar de lenguaje de programación. Importa un módulo de optimización para tu entorno de desarrollo Python.
¡Puedes ver el código en mi GitHub! 🙂
Numba permite acelerar código Python (las funciones numéricas) usando la CPU (Unidad Central de Procesamiento) y la GPU (Graphics Processing Unit):
Numba no es la única manera de programar en CUDA, que normalmente se programa directamente en C, C++. Sin embargo, Numba te permite programar directamente en Python y optimizar tu código tanto para CPU como para GPU, simplemente cambiando un par de líneas de tu código. En relación a Python, existen otras alternativas tales como pyCUDA, aquí un resumen:
CUDA C/C++:
pyCUDA
Numba
Numba, a parte de acelerar tus funciones usando la GPU, puede ser usado para optimizar funciones en la CPU. Para hacerlo, simplemente usas un python decorator con lo que se denomina decorated functions.
Antes que nada, vamos a evaluar la función hiplot para comprobar cómo funciona Numba. Debemos usar el compilador @jit. El resultado es el mismo que la función de Python pura, pero Numba guarda la implementación Python original en el argumento .py_func.
Es importante medir la performance de nuestro código, y comprobar si Numba realmente funciona. Hay que observar una diferencia entre la implementación Python y la implementación de Numba.
El resultado es sorprendente: ¡La función math.hypot de Python es más rápida que Numba! Esto se debe a que Numba introduce ciertos pasos cuando llamas a una función, por tanto si la función es muy simple, Numba puede hacer que tarde más que la implementación pura en Python.
Cuando hemos inicializado la función hypot:
Cada línea de Python está precedida de varias líneas de código IR. Lo más útil es ver los tipos de anotaciones que muestra Numba cuando opera con las variables, por ejemplo en pyobjectv, Numba está indicando que no conoce la función np.sin de Python y que la importa directamente del código fuente. Podemos inspeccionar los procesos para hypot usando .inspect_types().
Vamos a medir la performance de un código encargado de crear fractales usando el Conjunto de Mandelbrot y comprobar si Numba nos ayuda a optimizarlo.
Tarda alrededor de 4.64 segundos en generar un fractal usando el Conjunto de Mandelbrot, ahora vamos a ver si Numba mejora la performance, para ello debemos usar el decorador @jit.
Podemos ver cómo hemos reducido el tiempo de 4.62 segundos a 52.4 ms… y esto ha sido hecho solo con añadir un decorador.
Hemos dicho que Numba solo funciona con funciones numéricas, y aunque compila y ejecuta código Python, hay algunos tipos de datos que no puede compilar todavía (como los diccionarios).
¡¡En el ejemplo anterior vemos sin embargo cómo no ha fallado!! Hemos dicho que Numba no compila diccionarios… El punto aquí es que Numba crea 2 funciones, una para Python y otra para Numba. Por tanto, aquí estamos observando la solución de Python, podemos comprobarlo añadiendo nopython = True.
jit(nopython = True) es equivalente a njit
Si quieres aprender Python, a desarrollar aplicaciones para el mundo del Siglo XXI, a manejar grandes cantidades de datos y diferente sistemas operativos, nuestro Máster de Data Science está diseñado para ti. No sólo adquirirás todos los conocimientos técnicos necesarios para construir tu futuro como Data Scientist, en el campus más completo e innovador de Madrid, sino que también disfrutarás descubriendo la dimensión humana de los datos. Para obtener más información, haga click aquí.
Además de ello, en nuestra institución disponemos de otros muchos cursos, entre los que destacamos el grado en ingeniería de software, donde obtendrás todos los conceptos básicos para comenzar a trabajar con Python y Numba.
Este artículo ha sido escrito por: Alejandro Díaz Santos — ( GitHub) para IMMUNE Technology Institute.
Paseo de la Castellana 89, 28046 Madrid
hello@immune.institute © IMMUNE Technology Institute. Todos los derechos reservados.