胡渊鸣：import一个“太极”库，让Python代码提速1

　　丰色发自凹非寺
　　量子位公众号QbitAI
　　众所周知，Python的简单和易读性是靠牺牲性能为代价的
　　尤其是在计算密集的情况下，比如多重for循环。
　　不过现在，大佬胡渊鸣说了：
　　只需import一个叫做“Taichi”的库，就可以把代码速度提升100倍！
　　不信？
　　来看三个例子。
　　计算素数的个数，速度x120
　　第一个例子非常非常简单，求所有小于给定正整数N的素数。
　　标准答案如下：
　　我们将上面的代码保存，运行。
　　当N为100万时，需要2。235s得到结果：
　　现在，我们开始施魔法。
　　不用更改任何函数体，import“taichi”库，然后再加两个装饰器：
　　Bingo！同样的结果只要0。363s，快了将近6倍。
　　如果N1000万，则只要0。8s；要知道，不加它可是55s，一下子又快了70倍！
　　不止如此，我们还可以在ti。init（）中加个参数变为ti。init（archti。gpu），让taich在GPU上进行计算。
　　那么此时，计算所有小于1000万的素数就只耗时0。45s了，与原来的Python代码相比速度就提高了120倍！
　　厉不厉害？
　　什么？你觉得这个例子太简单了，说服力不够？我们再来看一个稍微复杂一点的。
　　动态规划，速度x500
　　动态规划不用多说，作为一种优化算法，通过动态存储中间计算结果来减少计算时间。
　　我们以经典教材《算法导论》中的经典动态规划案例“最长公共子序列问题（LCS）”为例。
　　比如对于序列a〔0，1，0，2，4，3，1，2，1〕和序列b〔4，0，1，4，5，3，1，2〕，它们的LCS就是：
　　LCS（a，b）〔0，1，4，3，1，2〕。
　　用动态规划的思路计算LCS，就是先求解序列a的前i个元素和序列b的前j个元素的最长公共子序列的长度，然后逐步增加i或j的值，重复过程，得到结果。
　　我们用f〔i，j〕来指代这个子序列的长度，即LCS（（prefix（a，i），prefix（b，j）。其中prefix（a，i）表示序列a的前i个元素，即a〔0〕，a〔1〕，，a〔i1〕，得到如下递归关系：
　　完整代码如下：
　　现在，我们用Taichi来加速：
　　结果如下：
　　胡渊鸣电脑上的程序最快做到了0。9秒内完成，而换成用NumPy来实现，则需要476秒，差异达到了超500倍！
　　最后，我们再来一个不一样的例子。
　　反应扩散方程，效果惊人
　　自然界中，总有一些动物身上长着一些看起来无序但实则并非完全随机的花纹。
　　图灵机的发明者艾伦图灵是第一个提出模型来描述这种现象的人。
　　在该模型中，两种化学物质（U和V）来模拟图案的生成。这两者之间的关系类似于猎物和捕食者，它们自行移动并有交互：
　　最初，U和V随机分布在一个域上；
　　在每个时间步，它们逐渐扩散到邻近空间；
　　当U和V相遇时，一部分U被V吞噬。因此，V的浓度增加；
　　为了避免U被V根除，我们在每个时间步添加一定百分比（f）的U并删除一定百分比（k）的V。
　　上面这个过程被概述为“反应扩散方程”：
　　其中有四个关键参数：Du（U的扩散速度），Dv（V的扩散速度），f（feed的缩写，控制U的加入）和k（kill的缩写，控制V的去除）。
　　如果Taichi中实现这个方程，首先创建网格来表示域，用vec2表示每个网格中U，V的浓度值。
　　拉普拉斯算子数值的计算需要访问相邻网格。为了避免在同一循环中更新和读取数据，我们应该创建两个形状相同的网格WH2。
　　每次从一个网格访问数据时，我们将更新的数据写入另一个网格，然后切换下一个网格。那么数据结构设计就是这样：
　　一开始，我们将U在网格中的浓度设置为1，并将V放置在50个随机选择的位置：
　　那么实际计算就可以用不到10行代码完成：
　　ti。kerneldefcompute（phase：int）：fori，jinti。ndrange（W，H）：cenuv〔phase，i，j〕lapluv〔phase，i1，j〕uv〔phase，i，j1〕uv〔phase，i1，j〕uv〔phase，i，j1〕4。0cenduDulapl〔0〕cen〔0〕cen〔1〕cen〔1〕feed（1cen〔0〕）dvDvlapl〔1〕cen〔0〕cen〔1〕cen〔1〕（feedkill）cen〔1〕valcen0。5tm。vec2（du，dv）uv〔1phase，i，j〕val
　　在这里，我们使用整数相位（0或1）来控制我们从哪个网格读取数据。
　　最后一步就是根据V的浓度对结果进行染色，就可以得到这样一个效果惊人的图案：
　　有趣的是，胡渊鸣介绍，即使V的初始浓度是随机设置的，但每次都可以得到相似的结果。
　　而且和只能达到30fps左右的Numba实现比起来，Taichi实现由于可以选择GPU作为后端，轻松超过了300fps。
　　pipinstall即可安装
　　看完上面三个例子，你这下相信了吧？
　　其实，Taichi就是一个嵌入在Python中的DSL（动态脚本语言），它通过自己的编译器将被ti。kernel装饰的函数编译到各种硬件上，包括CPU和GPU，然后进行高性能计算。
　　有了它，你无需再羡慕CCUDA的性能。
　　正如其名，Taichi就出自太极图形胡渊鸣的团队，现在你只需要用pipinstall就能安装这个库，并与其他Python库进行交互，包括NumPy、Matplotlib和PyTorch等等。
　　当然，Taichi用起来和这些库以及其他加速方法有什么差别，胡渊鸣也给出了详细的优缺点对比，感兴趣的朋友可以戳下面的链接详细查看：
　　https：docs。taichilang。orgblogacceleratepythoncode100x
　　完
　　量子位QbitAI头条号签约
　　关注我们，第一时间获知前沿科技动态