酷睿i5性能瞬间提升20倍的秘诀！

　　Intel Distribution for Python在今年二月进行了更新——英特尔发布了Update 2版本。以“加速”为核心的它，相比原生Python环境有多大提升呢？

　　雷锋网获知，并行计算专家、前英特尔高级工程师James Reinders对老东家的产品进行了测试。他对外宣布：在配备四核i5的iMac上实现了20倍的性能加速，至于他是怎么做到的，请继续往下看(含代码)。

　　ames Reinders：利用Intel Distribution for Python，我实现了 Python 的20倍加速，并且可用单个命令关闭/启用。这还不是在最优情况下，而在虚拟环境——在 VirtualBox(下文简称VBox)上运行的openSUSE Linux Tumbleweed(即“滚动版本”)，使用的机器是四核iMac。

　　这在Windows, Linux或OS X都能实现。英特尔并没有把openSUSE加入经他们测试过的Linux配置列表中(SUSE Enterprise在表中)，但我在运行中并没有遇到任何问题。

　　这就是我怎么做的：

　　下载Anaconda命令行安装程序，地址为https://www.continuum.io/downloads 。

　　安装：% bash Anaconda2-4.3.0-Linux-x86_64.sh

　　安装英特尔加速器，作为一个单独的、可开启关闭的“环境”%conda config --add channels intel % conda create --name intelpy intelpython2_full python=2

　　运行示例程序，看到在我的openSUSE VBox设置上有15到20倍的速度提升。

　　% source deactivate intelpy

　　% python < myprog.py

　　np.sin

　　102400 10000 36.1987440586

　　np.cos

　　102400 10000 36.1938228607

　　np.tan

　　102400 10000 51.487637043

　　% source activate intelpy

　　% python < myprog.py

　　np.sin

　　102400 10000 1.76131296158

　　np.cos

　　102400 10000 1.83870100975

　　np.tan

　　102400 10000 3.38778400421

　　That’s all! The speed-ups are 20.6X, 19.7X, and 15.2X in this quick test running on a virtual machine.

　　Here’s my little Python program:

　　% cat myprog.py

　　import numpy as np

　　import time

　　N = 102400

　　x = np.linspace(0.0123, 4567.89, N)

　　def mine(x,Z,func,name):

　　print name;

　　start = time.time()

　　for z in range ( 0, Z ) :

　　y = func(x);

　　end = time.time()

　　print N, Z, end - start

　　return

　　mine(x,10000,np.sin,'np.sin')

　　mine(x,10000,np.cos,'np.cos')

　　mine(x,10000,np.tan,'np.tan')

　　我花很短时间搞起来这个程序，用来验证英特尔对加速NumPy中transcendental expression的承诺。Cosine, sine和tangent 是我还能记得的、搞TI calculator时候用的transcendental，所以我用它们来试。我决定对每一个进行十亿级测试——运行超过十万个数字的函数，重复超过一万次。

　　虽然未必是一个很有意思的程序，但对于加速而言是个不错的测试。

　　随时加速Python

　　我此前写过一篇文章，讨论“Python 加速”(“accelerated Python”)使其更适用于大数据和 HPC 应用。 在速度更快之外，我还展示了，使用Conda来开启/关闭加速是多么得容易。这非常赞，让安装它的决定变得更加安全、没有顾虑——因为该功能是一个可选项。(对新手的提醒： Anaconda 是针对 Python 算法包的集合，Conda则是package manager，即算法包管理器。我两个都用并且都很喜欢。)

　　我使用 “conda create”来创造被我称之为intelpy的环境。然后，我能够使用“source activate intelpy”、“source deactivate intelpy”来激活、关闭它。

　　Intel Distribution for Python 带来的大幅加速能力，让 “accelerated Python” 变得更实用更让人信服。

　　值得注意的是，“accelerated Python” 只是使用更快的Python算法库，不需要对代码做任何改动。当然，我们的Python代码必须使用了某些加速的东西，才能从中获益。

　　英特尔通过三大方面实现Python加速：

　　利用多核；

　　利用矢量指令(SIMD)，比如 SSE, AVX, AVX2和AVX-512；

　　使用英特尔 Math Kernel Library (Intel MKL) 的更先进算法。

　　对于运行于矢量或矩阵上的程序，上述这些都会生效。对于偶尔的单独cosine，我们不应该期待大幅速度提升。同样的，对于单核CPU，我们也不应该有性能提升的幻想。当然，英特尔72核协处理器Xeon Phi会在大量多核应用的跑分中领先。在我的例子中，我的虚拟机只利用iMac i5的四个核心。

　　FFT在4核虚拟机上有八倍性能提升

　　我也试了下Fast Fourier Transforms (FFT)。使用与原始程序相同的设置，我只是按照如下方式运行FFT程序：

　　% source deactivate intelpy

　　% python < myfftprog.py

　　fft

　　5000 2.22796392441

　　fft

　　7000 8.74916005135

　　% source activate intelpy

　　% python < myfftprog.py

　　fft

　　5000 0.277629137039

　　fft

　　7000 1.11230897903

　　速度提升为8和7.9倍。当然，还是运行于四核iMac上的openSUSE和VBox。这是我的快速FFT程序：

　　% cat myfftprog.py

　　import numpy as np

　　import numpy.random as rn

　　import time

　　def trythis(Z):

　　mat = rn.rand(Z,Z) + 1j * rn.randn(Z,Z)

　　print 'fft'

　　start = time.time()

　　# 2D transform on a complex-valued matrix:

　　result = np.fft.fft2(mat)

　　end = time.time()

　　print Z, end - start

　　return

　　trythis(5000);

　　trythis(7000);

　　新 Python 加速

　　笔者了解到，以下是Intel Distribution for Python全新Update 2版本中，得到了新的速度提升的方面：

　　优化NumPy的算术和transcendental表达

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!