胡渊鸣：import 1个“太极拳库，Python代码提高100倍！-量子比特，
- 时间:
- 浏览:0
众所周知，Python的简单性和可读性是通过牺牲性能来牺牲的。
特别是在计算密集的情况下，例如多for循环。
但是现在，大人物胡渊鸣是这样说的。
我们来看三个例子。
计算素数的个数，速度x120的第一个例子很简单，都求小于给定的正整数N的素数。
标准答案如下。
如果N为100万，则需要2.235s才能获得结果：
不需要更改函数体。将以下两个加速器添加到import“taich”i库中：。
Bingo！同样的结果为0.363s，快了近6倍。
N=1000万的话0.8s，要知道，不加那个是55s，突然又快了70倍！
此外，还可以将ti.init（）中加个参数更改为ti.init（arch＝ti.gpu），在GPU上计算taich。
那么这个时候，计算不到1000万的素数只需要0.45s，与原来的Python代码相比速度提高了120倍！
厉害吗。
什么？你觉得这个例子太简单了，缺乏说服力吗。让我们看一些更复杂的东西。
动态规划、速度x500动态规划自不必说，作为优化算法，通过动态存储中间计算结果来减少计算时间。
以经典教材《算法导论》中的经典动态规划示例“最长公共子序列问题（LCS）”为例。
例如，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包括：
当使用动态规划的思想来计算LCS时，首先可以获得序列a的第一个i元素和序列b的第一个j元素的最长公共子序列的长度，然后逐渐增加i或j的值，重复过程并获得结果。
用f[i，j]表示该子序列的长度，即LCS（prefix（a，i），prefix（b，j）这里，prefix（a，i）是序列a的第一个i元素，即a[0]、a[1]、…、a[i#8211；1、，得到如下的递归关系：
完整代码包括：。
然后，使用taichi加速。
结果如下：。
胡渊鸣电脑上的程序最快在0.9秒内完成，NumPy实现需要476秒，差距超过500倍！
最后，我再举一个不同的例子。
反应#8211；扩散方程，惊人的效果在自然界中，有些动物看似无序但并非完全随机的花样。
图灵机的发明人阿兰图灵是第一个提出模型来描述这种现象的人。
在这个模型中，两种化学物质（U和V）模拟图案的生成。两者的关系类似于猎物和捕食者，自行移动相互作用：
首先，U和V随机分布在一个域中，在每个时间步长中，逐渐扩散到相邻空间。当U和V相遇时，U的一部分被V吞没。因此，为了避免V的浓度增加，U被V根除，我们在每个时间步长中添加一定比例（f）的U，删除一定比例（k）的V。此过程概述为“反应扩散方程”。
其中有四个重要参数：Du（U扩散速度）、Dv（V扩散速度）、f（feed缩写，控制U的加入）和k（kill缩写，控制V的去除）
当该方程在i中实现时，首先创建网格以表示区域，并且用vec2表示每个网格中U、V的浓度值。
计算运算符数值需要访问相邻网格。为了避免在同一周期内更新和读取数据，必须创建两个形状相同的网格W×H×2。
每次从一个网格访问数据时，将更新的数据写入另一个网格，然后切换到下一个网格。数据结构设计如下：。
最初，我们将网格中U的浓度设置为1，然后在随机选择的50个位置放置V。
实际计算可以用少于10行的代码进行。
@ti.kerneldef compute（phase：int）：for i，j in ti.ndrange（W，H）：cen＝uv［phase，i，j］lapl＝uv［phase，i＋1，j］＋uv［phase，i，j＋1］＋uv［phase，i，j＋1］＋uv［phase，i1，j］＋uv［phase，i，j1]4.0*cen du＝Du*lapl[0]cen[0]*cen[1]+feed*（1cen[0]）0]）dv＝Dv*lapl[1]+cen[0]*cen[1]（feed+kill）*cen[1]（feed+kill）*cen[1]val＝cen+0.5*tm.vec2控制。
最后一步是在V浓度的基础上对结果进行染色，可以获得如此惊人的效果。
有趣的是，胡渊鸣介绍了即使V的初始浓度被随机设定，每次也能得到同样的结果。
另外，与仅能达到30fps左右的Numba安装相比，taichi安装能够选择GPU作为后端，因此能够简单地超过300fps。
pip install可以安装上面的三个例子，你相信吗？
实际上，taichi是嵌入Python中的DSL（动态脚本语言），通过自己的编译器在包括CPU和GPU在内的各种硬件上编译由@ti.kernel装饰的函数，进行高性能计算。
有了它，你就不用羡慕C++/CUDA的性能啦。
顾名思义，taichi来自太极图形胡渊鸣的团队，现在只需pip install就可以安装这个库，与NumPy、Matplotlib、PyTorch等其他Python库进行交互。
当然，taichi与这些程序库和其他加速方法有什么不同，胡渊鸣还提供了详细的优缺点比较，有兴趣的人可以点击下面的链接详细查看：
https：//docs.taichi-lang.org/blog/accelerate-python-code-100x