Python的運行效率太低？幾行代碼快速提升！

1、GPU加速

利用多個GPU提升運行效率

#利用多個GPU加速

<code>import os
os.environ['CUDA_VISIBLE_DEVICES'] = '2,1,0'/<code>

這是存在多個GPU的電腦上可以實現的，只要放在你編寫的代碼中即可。

其中，

os庫提供通用的，基本的操作系統交互功能，與操作系統相關的，包括常用路徑操作，進程管理，環境參數等

所以這裡需要import os庫來進行加速

2、CPU加速

利用jit編譯加速 cpu。在使用這幾行代碼前，需要首先定義函數

2.1、定義函數

在Python中，常用def

def 函數名（參數列表）:

函數體

來定義函數，就像Python的內置函數一樣，從而自己調用自己的函數實現你所需要的需求。

下面是一個小例子

<code>def example(arg1,arg2):
    arg1=1
    arg=2
    print('你需要運行的代碼') /<code>

2.2、jit加速

很多情況下，為實現需求而進行編程，都會轉換成數值，然後運行計算，那麼可以將你的代碼利用 def定義為函數，將參數和函數替換成你自己要運行的代碼，不管你的計算有多複雜，筆者曾經嘗試進行非常複雜的多重數值積分，讓大家感受一下：

<code>np.exp(cta_0+cta_1*np.log(x_1)+cta_2*np.log(x_2)+cta_3*np.log(x_3)+cta_4*np.log(x_4)+cta_5*np.log(x_5)+cta_6*np.log(x_6))/(1+np.exp(cta_0+cta_1*np.log(x_1)+cta_2*np.log(x_2)+cta_3*np.log(x_3)+cta_4*np.log(x_4)+cta_5*np.log(x_5)+cta_6*np.log(x_6))))*((1/(5620000*np.sqrt(2*3.1415926535898)))*np.exp(-(((x_2-36050000)/5620000)**2)/2))*((1/(0.01*np.sqrt(2*3.1415926535898)))*np.exp(-(((x_3-0.04)/0.01)**2)/2))*((1/(0.07419776239466247091*x_4*np.sqrt(2*3.1415926535898)))*np.exp(-((np.log(x_4)-19.9345857246606)**2)/(2*(0.07419776239466247091**2))))*((1/(0.2614264718127*x_5*np.sqrt(2*3.1415926535898)))*np.exp(-((np.log(x_5)+3.09177957735430)**2)/(2*(0.2614264718127**2))))*((1/(0.100526743073751*x_6*np.sqrt(2*3.1415926535898)))*np.exp(-((np.log(x_6)+3.67021574053313)**2)/(2*(0.100526743073751**2))))/<code>

一度因為運行太慢，都算了5個小時了，告訴我因為運行內存不足而算不下去，但是加上@jit後就完全不一樣了，半個小時左右就算出了結果。

大家可以參照下面這個簡單的例子進行加速：

<code>#jit編譯
from numba import jit
@jit
def example(arg1,arg2):
    result=arg1+arg2
    print('你的代碼')
    return result
/<code>

return的就是是你所需要的結果

2.3、運行

這一步就是最後一步了，只要像下面一樣輸入上述函數名，賦予參數值，點擊運行Run，就能得到你想要的結果

<code>arg1=5
arg2=6
result=example(arg1，arg2)/<code>

<code>原文鏈接：https://blog.csdn.net/weixin_45288557/java/article/details/105903858
/<code>

最後

如果你處於想學Python或者正在學習Python，Python的教程不少了吧，但是是最新的嗎？說不定你學了可能是兩年前人家就學過的內容，在這小編分享一波2020最新的Python教程。獲取方式，私信小編 “ 資料 ”，即可免費獲取哦！

閱讀更多 Python初學者入門 的文章

關鍵字: 中央處理器 參數值 操作系統