معرفی کتابخانه Numba در پایتون

مقدمه

پایتون به عنوان یک زبان برنامه‌نویسی سطح بالا، به دلیل خوانایی بالا، سهولت استفاده و گستردگی کتابخانه‌هایش، در زمینه‌های مختلف از جمله علم داده، محاسبات علمی و مهندسی نرم‌افزار به طور گسترده‌ای مورد استفاده قرار می‌گیرد. با این حال، پایتون به عنوان یک زبان مفسری، اغلب در مقایسه با زبان‌های کامپایلری مانند C++ یا Fortran، از نظر سرعت اجرا کندتر است. این کندی اجرا می‌تواند در برنامه‌هایی که نیاز به محاسبات سنگین دارند، به یک محدودیت جدی تبدیل شود.

برای رفع این محدودیت، روش‌های مختلفی برای بهینه‌سازی کد پایتون وجود دارد. یکی از قدرتمندترین و کارآمدترین روش‌ها، استفاده از کتابخانه Numba است. Numba یک کامپایلر درست در لحظه (Just–In–Time – JIT) است که به شما امکان می‌دهد توابع پایتون را به کد ماشین بهینه‌شده تبدیل کنید و سرعت اجرای آن‌ها را به طور چشمگیری افزایش دهید. در این مقاله، به معرفی کتابخانه Numba، مزایای استفاده از آن، نحوه کارکرد و کاربردهای آن در پایتون خواهیم پرداخت.

Numba چیست؟

Numba یک کتابخانه پایتون با مجوز BSD است که برای کامپایل کردن توابع پایتون به کد ماشین بهینه شده استفاده می‌شود. این کامپایلر JIT به جای ترجمه کل برنامه پایتون، تنها توابعی را که با استفاده از دکوراتورهای Numba مشخص شده‌اند، در زمان اجرا کامپایل می‌کند. این رویکرد باعث می‌شود تا بتوان از مزایای سرعت کد کامپایل شده در بخش‌های بحرانی کد، در حالی که همچنان از انعطاف‌پذیری و سادگی پایتون بهره‌مند هستیم، استفاده کرد.

Numba به طور خاص برای بهینه‌سازی کد پایتونی که شامل حلقه‌ها، عملیات ریاضی و محاسبات آرایه‌ای است، بسیار موثر است. این نوع کد معمولاً در محاسبات علمی، مهندسی و علم داده به وفور یافت می‌شود. Numba به ویژه با NumPy، کتابخانه محبوب پایتون برای محاسبات عددی، به خوبی سازگار است و می‌تواند عملکرد عملیات NumPy را به طور قابل توجهی بهبود بخشد.

چرا از Numba استفاده کنیم؟

استفاده از Numba مزایای متعددی به همراه دارد که مهم‌ترین آن‌ها عبارتند از:

• افزایش سرعت اجرا: مهم‌ترین مزیت Numba، افزایش چشمگیر سرعت اجرای توابع پایتون است. در بسیاری از موارد، Numba می‌تواند سرعت اجرای کد پایتون را تا ده‌ها یا حتی صدها برابر افزایش دهد و آن را به سطح زبان‌های کامپایلری نزدیک کند. این افزایش سرعت به ویژه در برنامه‌هایی که شامل محاسبات سنگین و حلقه‌های طولانی هستند، بسیار حائز اهمیت است.
• سهولت استفاده: استفاده از Numba بسیار آسان است. برای کامپایل کردن یک تابع پایتون با Numba، کافی است تا دکوراتورهای Numba را به تابع اضافه کنید. Numba به طور خودکار باقی کارها را انجام می‌دهد و کد ماشین بهینه شده را در زمان اجرا تولید می‌کند. نیازی به تغییر ساختار کد پایتون یا یادگیری زبان برنامه‌نویسی جدید نیست.
• سازگاری با NumPy: Numba به خوبی با NumPy سازگار است و می‌تواند عملکرد عملیات NumPy را به طور قابل توجهی بهبود بخشد. Numba می‌تواند توابع پایتونی که از آرایه‌های NumPy استفاده می‌کنند را به کد ماشین بهینه شده کامپایل کند و سرعت محاسبات آرایه‌ای را به طور قابل توجهی افزایش دهد. این امر Numba را به ابزاری بسیار قدرتمند برای محاسبات علمی و علم داده تبدیل می‌کند.
• کد پایتون خالص: Numba به شما اجازه می‌دهد تا با استفاده از پایتون خالص، کد سریع بنویسید. نیازی به استفاده از زبان‌های برنامه‌نویسی دیگر مانند C++ یا Fortran و یا پیچیدگی‌های آن‌ها نیست. شما می‌توانید با همان کد پایتون آشنا، عملکرد بسیار بالاتری را تجربه کنید.
• پشتیبانی از حالت‌های کامپایل مختلف: Numba حالت‌های کامپایل مختلفی را ارائه می‌دهد، از جمله حالت شیء (object mode) و حالت بدون نوع (nopython mode). حالت بدون نوع معمولاً عملکرد بسیار بهتری ارائه می‌دهد، اما ممکن است نیاز به تغییرات جزئی در کد داشته باشد. حالت شیء انعطاف‌پذیرتر است و برای کامپایل کردن طیف گسترده‌تری از کد پایتون مناسب است.

نحوه کارکرد Numba

Numba با استفاده از دکوراتورها کار می‌کند. دکوراتورها توابعی هستند که می‌توانند رفتار توابع دیگر را تغییر دهند. Numba دکوراتورهای مختلفی را ارائه می‌دهد که مهم‌ترین آن‌ها عبارتند از:

• @numba.jit: دکوراتور اصلی Numba که برای کامپایل کردن یک تابع پایتون با استفاده از کامپایلر JIT استفاده می‌شود. این دکوراتور به طور پیش‌فرض در حالت شیء کار می‌کند.
• @numba.njit یا @numba.jit(nopython=True): این دکوراتورها حالت بدون نوع را فعال می‌کنند. حالت بدون نوع عملکرد بسیار بهتری ارائه می‌دهد، اما محدودیت‌هایی نیز دارد. در حالت بدون نوع، Numba تلاش می‌کند تا کل تابع را به کد ماشین کامپایل کند و در صورت عدم امکان، خطا می‌دهد.
• @numba.vectorize: برای ساخت توابع یونیورسال (ufunc) NumPy بهینه شده با Numba استفاده می‌شود. توابع یونیورسال توابعی هستند که می‌توانند بر روی آرایه‌های NumPy به صورت عنصر به عنصر اعمال شوند.
• @numba.guvectorize: برای ساخت توابع عمومی یونیورسال (gufunc) NumPy بهینه شده با Numba استفاده می‌شود. gufunc ها توابع یونیورسال تعمیم‌یافته هستند که می‌توانند آرایه‌های با ابعاد مختلف را به عنوان ورودی و خروجی دریافت کنند.

مثال‌های پایه‌ای:

مثال 1: تابع جمع ساده بدون Numba

import time

def sum_loop(n):
    result = 0
    for i in range(n):
        result += i
    return result

start_time = time.time()
result_no_numba = sum_loop(10000000)
end_time = time.time()
print(f"نتیجه بدون Numba: {result_no_numba}")
print(f"زمان اجرا بدون Numba: {end_time - start_time} ثانیه")

مثال 2: تابع جمع ساده با Numba (@numba.jit)

import time
import numba

@numba.jit
def sum_loop_numba_jit(n):
    result = 0
    for i in range(n):
        result += i
    return result

start_time = time.time()
result_numba_jit = sum_loop_numba_jit(10000000)
end_time = time.time()
print(f"نتیجه با Numba (@jit): {result_numba_jit}")
print(f"زمان اجرا با Numba (@jit): {end_time - start_time} ثانیه")

مثال 3: تابع جمع ساده با Numba (@numba.njit)

import time
import numba

@numba.njit
def sum_loop_numba_njit(n):
    result = 0
    for i in range(n):
        result += i
    return result

start_time = time.time()
result_numba_njit = sum_loop_numba_njit(10000000)
end_time = time.time()
print(f"نتیجه با Numba (@njit): {result_numba_njit}")
print(f"زمان اجرا با Numba (@njit): {end_time - start_time} ثانیه")

با اجرای این کدها، خواهید دید که توابع کامپایل شده با Numba، به ویژه با @numba.njit، زمان اجرای بسیار کمتری نسبت به تابع بدون Numba دارند.

مثال 4: استفاده از @numba.vectorize برای ساخت ufunc

import numpy as np
import numba

@numba.vectorize
def add_arrays(a, b):
    return a + b

a = np.arange(10)
b = np.arange(10) * 2

result_ufunc = add_arrays(a, b)
print(f"نتیجه ufunc با Numba: {result_ufunc}")

در این مثال، @numba.vectorize یک تابع یونیورسال بهینه شده با Numba ایجاد می‌کند که می‌تواند به صورت عنصر به عنصر بر روی آرایه‌های NumPy اعمال شود.

کاربردهای پیشرفته‌تر Numba

Numba علاوه بر کامپایل کردن توابع ساده، قابلیت‌های پیشرفته‌تری نیز ارائه می‌دهد که به شما امکان می‌دهد تا برنامه‌های پیچیده‌تر را نیز بهینه کنید. برخی از این قابلیت‌ها عبارتند از:

• پشتیبانی از انواع داده‌های مختلف: Numba از انواع داده‌های مختلف پایتون و NumPy، از جمله اعداد صحیح، اعداد اعشاری، آرایه‌ها و ساختارهای سفارشی، پشتیبانی می‌کند.
• پشتیبانی از کتابخانه‌های دیگر: Numba به خوبی با کتابخانه‌های دیگر پایتون، به ویژه NumPy، SciPy و Matplotlib، سازگار است و می‌تواند عملکرد آن‌ها را نیز بهبود بخشد.
• کامپایل CUDAnumba: Numba با استفاده از افزونه CUDAnumba، قابلیت کامپایل توابع پایتون برای اجرا بر روی پردازنده‌های گرافیکی (GPU) را نیز فراهم می‌کند. این امکان، سرعت اجرای برنامه‌هایی که نیاز به محاسبات بسیار سنگین دارند را به طور چشمگیری افزایش می‌دهد.
• حالت‌های کامپایل پیشرفته: Numba حالت‌های کامپایل پیشرفته‌تری مانند eager compilation و ahead–of–time (AOT) compilation را نیز ارائه می‌دهد که به شما امکان می‌دهد تا کنترل بیشتری بر فرایند کامپایل داشته باشید و برنامه‌های خود را به طور دقیق‌تری بهینه کنید.

خلاصه و نتیجه‌گیری

کتابخانه Numba ابزاری قدرتمند و کارآمد برای بهینه‌سازی کد پایتون است. با استفاده از Numba، می‌توانید سرعت اجرای برنامه‌های پایتون را به طور چشمگیری افزایش دهید و عملکرد آن‌ها را به سطح زبان‌های کامپایلری نزدیک کنید. سهولت استفاده، سازگاری با NumPy و قابلیت‌های پیشرفته‌تر، Numba را به انتخابی ایده‌آل برای محاسبات علمی، مهندسی، علم داده و هر زمینه‌ای که نیاز به سرعت اجرای بالا در پایتون دارد، تبدیل می‌کند. اگر در پروژه‌های پایتون خود با محدودیت سرعت اجرا مواجه هستید، حتماً استفاده از کتابخانه Numba را در نظر بگیرید.