ฉันจะระบุสิ่งอันดับในลายเซ็น Numba Vectorize ได้อย่างไร

ฉันจะระบุสิ่งอันดับในลายเซ็น Numba Vectorize ได้อย่างไร

ในฟังก์ชัน numba.vectorize คุณไม่สามารถใช้สิ่งอันดับได้ นั่นเป็นเพราะว่า vectorize ทำเวคเตอร์โค้ดสำหรับอาร์เรย์ประเภทเหล่านี้

ดังนั้นการใช้ลายเซ็น float, float, tuple จะสร้างฟังก์ชันที่คาดว่าจะมีอาร์เรย์สองตัวที่มีโฟลตและอีกหนึ่งอาร์เรย์ที่มีสิ่งอันดับ ปัญหาคือไม่มี dtype สำหรับอาร์เรย์ที่มี tuples - มันสามารถทำงานได้หากคุณใช้อาร์เรย์ที่มีโครงสร้างแทนอาร์เรย์ที่มี tuples แต่ฉันไม่ได้ลอง

ฉันจะระบุสิ่งอันดับในลายเซ็น Numba jit ได้อย่างไร

วิธีที่ถูกต้องในการระบุ UniTuple ในลายเซ็น numba คือการใช้ numba.types.containers.UniTuple ในกรณีของคุณ:

nb.types.containers.UniTuple(nb.types.float64, 9)

ดังนั้นลายเซ็นที่ถูกต้องจะเป็นดังนี้:

import numba as nb

@nb.njit(
    nb.types.float64(
        nb.types.float64, 
        nb.types.float64, 
        nb.types.containers.UniTuple(nb.types.float64, 9)))
def func(f1, f2, ftuple):
    # ...
    return f1

ฉันมักจะหลีกเลี่ยงการพิมพ์ฟังก์ชัน numba ของฉันอย่างชัดเจน แต่เมื่อฉันทำ ฉันพบว่าการใช้ numba.typeof มีประโยชน์มาก ตัวอย่างเช่น:

>>> nb.typeof((1.0, ) * 9)
tuple(float64 x 9)

>>> type(nb.typeof((1.0, ) * 9))
numba.types.containers.UniTuple

>>> help(type(nb.typeof((1.0, ) * 9)))  # I shortened the result:
Help on class UniTuple in module numba.types.containers:

class UniTuple(BaseAnonymousTuple, _HomogeneousTuple, numba.types.abstract.Sequence)
 |  UniTuple(*args, **kwargs)
 |  
 |  Type class for homogeneous tuples.
 |  
 |  Methods defined here:
 |  
 |  __init__(self, dtype, count)
 |      Initialize self.  See help(type(self)) for accurate signature.

ข้อมูลทั้งหมดก็อยู่ที่นั่น: มันคือ numba.types.containes.UniTuple และคุณยกตัวอย่างด้วยอาร์กิวเมนต์สองตัว นั่นคือ dtype (ในที่นี้คือ float64) และตัวเลข (ในกรณีนี้คือ 9)

ในกรณีที่คุณต้องการสร้างเวคเตอร์บนอาร์เรย์โฟลตเท่านั้น

หากคุณไม่ต้องการสร้างเวกเตอร์ให้กับฟังก์ชันสำหรับอาร์กิวเมนต์ tuple คุณสามารถสร้างฟังก์ชัน vectorized ภายในฟังก์ชันอื่นแล้วเรียกมันที่นั่น:

import numba as nb
import numpy as np

def func(E, L, fparams):
    @nb.vectorize(['float64(float64, float64)'])
    def fn_vec(e, l):
        return e + l + fparams[1]  # just to illustrate that the tuple is available
    return fn_vec(E, L)

สิ่งนี้ทำให้ทูเพิลพร้อมใช้งานภายในฟังก์ชัน vectorized อย่างไรก็ตาม มันจะต้องสร้างฟังก์ชันภายในและคอมไพล์มันทุกครั้งที่คุณเรียกใช้ฟังก์ชันภายนอก ดังนั้นนี่อาจจะช้ากว่าจริงๆ ฉันไม่แน่ใจด้วยว่าจะใช้ได้กับ target="cuda" คุณอาจต้องทดสอบด้วยตัวเอง