Numba是一个适用于Python代码的开源式即时编译器。借助该编译器，开发者可以使用标准Python函数在CPU和GPU上加速数值函数。
什么是NUMBA？
为了提高执行速度，Numba会在执行前立即将Python字节代码转换为机器代码。
Numba可用于使用可调用的Python对象（称为修饰器）来优化CPU和GPU功能。修饰器是一个函数，它将另一个函数作为输入，进行修改，并将修改后的函数返回给用户。这种模组化可减少编程时间，并提高Python的可扩展性。
Numba还可与NumPy结合使用，后者是一个复杂数学运算的开源Python库，专为处理统计数据而设计。调用修饰器时，Numa将Python和/或NumPy代码的子集转换为针对环境自动优化的字节码。它使用LLVM，这是一个面向API的开源库，用于以编程方式创建机器原生代码。Numba针对各种CPU和GPU配置，提供了多种快速并行化Python代码的选项，有时仅需一条命令即可。与NumPy结合使用时，Numba会为不同的数组数据类型和布局生成专用代码，进而优化性能。
为何选择NUMBA？
Python是一种广泛应用于数据科学的高效动态编程语言。由于其采用简洁明了的语法，并具有标准数据结构、全面的标准库、高水准的文档、庞大的库和工具生态系统以及大型开放社区，因此深受欢迎。不过，也许最重要的原因是，Python等动态型态解释语言能够带来超高效率。
但是，对于Python来说，这既是最大的优势，也是最大的劣势。“它的灵活性和无类型的高级语法可能会导致数据和计算密集型程序的性能不佳，因为运行本地编译代码要比运行动态解释代码快很多倍。因此，注重效率的Python程序员通常会使用C语言重写最内层的循环，然后从Python调用已编译的C语言函数。许多项目都力求简化这种优化（例如Cython），但它们通常需要学习新的语法。虽然Cython显著提高了性能，但可能需要对Python代码进行艰巨的手动修改工作。
Numba被视作Cython的替代方案，并且要简单得多。它最大的吸引力在于无需学习新的语法，也无需替换Python解释器、运行单独的编译步骤或安装C/C++编译器。只需将@jitNumba修饰器应用于Python函数即可。这样，在运行时即可进行编译（即“即时”或JIT编译）。Numba能够动态编译代码，这意味着，您还可以享受Python带来的灵活性。此外，Python程序中由Numba编译的数值算法，可以接近使用编译后的C语言或FORTRAN语言编写的程序的速度；并且与原生Python解释器执行的相同程序相比，运行速度最多快100倍。这是一项重要进步，推动了高效编程与高性能计算的完美结合。
Numba执行图
Numba专为面向数组的计算任务而设计，与应用广泛的NumPy库类似。在面向数组的计算任务中，数据并行性与GPU等加速器自然契合。Numba理解NumPy数组类型，并将其用于生成高效的编译代码，以在GPU或多核CPU上执行。所需的编程工作非常简单，只需添加一个@vectorize函数修饰器，指示Numba在运行时生成编译的向量化函数版本。这样，它便可用于在GPU上并行处理数据数组了。
除了为CPU或GPU即时编译NumPy数组代码外，Numba还公开了“CUDAPython”：这是适用于NVIDIAGPU的NVIDIA®CUDA®编程模型，采用Python语法编写。加速Python后，它可以从胶水语言扩展至可高效执行数字代码的完整编程环境。
Numba与Python数据科学生态系统中其他工具的结合使用，改变了GPU计算的体验。JupyterNotebook提供基于浏览器的文档创建环境，允许结合使用Markdown文本、可执行代码以及绘图和图像的图形输出。Jupyter在教学、记录科学分析和交互式原型设计领域深受欢迎。
Numba已在200多种不同的平台配置下进行了测试。它基于Intel和AMDx86、POWER8/9、ARMCPU以及NVIDIA和AMDGPU上的Windows、AppleMacintosh、Linux操作系统运行，大多数系统均可使用预编译的二进制文件。
用例
科学计算
数组处理应用广泛，从地理信息系统到计算复杂的几何形状，无一不及。电信公司使用数组来优化无线网络的设计，而医疗健康研究人员则使用数组分析包含内脏器官信息的波形。数组还可用于减少语言处理、天文成像和雷达/声纳中的外部噪声。
有了Python等语言，开发者无需进行大量数学训练，即可使用这些领域的应用程序。但是，Python在数值密集型计算中存在性能缺陷，这会严重影响某些应用程序的处理速度。Numba是其中一个解决方案。许多人都认为它易于使用，因此对于没有C语言等比较复杂语言经验的学生和开发者来说，意义重大。
NUMBA对数据科学家的重要意义
在数据科学中，迭代开发是一种非常实用的省时方案，因为开发者能够通过观察结果来不断地改进程序。Python等解释语言在这种情景中尤为有用。但是，Python在高度数学运算中存在性能限制，这可能会造成瓶颈，从而减缓整体处理速度并限制开发者的工作效率。
Numba为开发者提供了一种调用编译器函数的简单方法，显著提升了大型计算和数组的性能，从而解决了这一问题。Numba简单易学，并使数据科学家无需执行使用编译语言编写子程序这一复杂任务，从而加快速度。
NUMBA为何可在GPU上表现更突出
在架构方面，CPU仅由几个具有大缓存内存的核心组成，一次只可以处理几个软件线程。相比之下，GPU由数百个核心组成，可以同时处理数千个线程。
Numba通过以下方式支持CUDAGPU编程：在CUDA执行模型后，直接将受限的Python代码子集编译到CUDA内核函数和设备函数中。使用Numba编写的内核看起来可以直接访问NumPy数组，而这些数组在CPU和GPU之间自动传输。这为Python开发者提供了一个轻松进行GPU加速计算的方法，而且无需学习新语法或语言，即可学会如何应用日益复杂的CUDA编码。借助CUDAPython和Numba，您可以一举两得：使用Python实现快速迭代开发，同时达到针对CPU和NVIDIAGPU的编译语言的速度。
我们使用配备NVIDIAP100GPU和IntelXeonE5-2698v3CPU的服务器进行了一次测试，结果显示，使用Numba编译的CUDAPythonMandelbrot代码比只使用Python快了近1700倍。与CPU上的单线程Python代码相比，性能提升是多个因素的共同作用，包括编译、并行化和GPU加速。但是，它说明单是添加一个GPU即可实现加速。
NVIDIAGPU加速的端到端数据科学
基于CUDA-XAI创建的NVIDIARAPIDS™开源软件库套件使您完全能够在GPU上执行端到端数据科学和分析流程。此套件依靠NVIDIACUDA基元进行低级别计算优化，但通过用户友好型Python接口实现了GPU并行化和高带宽显存速度。
借助RAPIDSGPUDataFrame，数据可以通过一个类似Pandas的接口加载到GPU上，然后用于各种连接的机器学习和图形分析算法，而无需离开GPU。这种级别的互操作性可通过ApacheArrow等库实现，并有助于实现端到端流程（从数据准备到机器学习再到深度学习）的加速。
RAPIDS支持在许多热门数据科学库之间共享设备内存。这样可将数据保留在GPU上，并省去了来回复制主机内存的高昂成本。
RAPIDS团队正在开发和参与许多开源项目，并与众多开源项目（包括ApacheArrow、Numba、XGBoost、ApacheSpark、scikit-learn等）密切协作，确保GPU加速数据科学生态系统中的所有组件顺畅地协同工作。
*本文转自NVIDIA英伟达
