这是从其他博客粘贴过来，备份的。原文在：http://www.cnblogs.com/freeweb/p/6652607.html
使用Cython来加速python程序的运行速度，但是相对来说程序改动较大，这次就说一种简单的方式来加速python计算速度的方法，就是使用numba库来进行，numba库可以使用JIT技术即时编译，达到高性能，另外也可以使用cuda GPU的计算能力来加速，对python来说是一个提速非常好的工具库，使用简单，但是安装稍微复杂一些，具体过程如下：
安装numba需要的依赖如下：
Python依赖有(按顺序)：
setuptools
enum34 pypi下载地址：https://pypi.python.org/pypi/enum34
funcsigs 下载地址：https://pypi.python.org/pypi/funcsigs/
singledispatch 下载地址:https://pypi.python.org/pypi/singledispatch/
llvmlite https://pypi.python.org/pypi/llvmlite/ 这个下载的是最新版的0.16.0
上面这些python依赖的安装很简单，都是解压完然后执行python setup.py install即可
其中安装llvmlite的时候需要最艰难的一步，llvmlite需要llvm环境的支持，并且0.16.0的版本必须依赖于3.9.x的环境，llvm官网下载地址是：http://releases.llvm.org/download.html 最新的版本是4.0.0，记住要下载3.9.1的，如果安装了4.0.0那么安装llvmlite的时候会提示llvm版本问题，下载好的包如下：
llvm-3.9.1.src.tar.xz
cfe-3.9.1.src.tar.xz #(就是Clang source code (.sig))
clang-tools-extra-3.9.1.src.tar.xz
compiler-rt-3.9.1.src.tar.xz依次执行如下命令解压并操作：
xz -d llvm-3.9.1.src.tar.xz
xz -d cfe-3.9.1.src.tar.xz
xz -d clang-tools-extra-3.9.1.src.tar.xz
xz -d compiler-rt-3.9.1.src.tar.xz
tar -xvf llvm-3.9.1.src.tar
tar -xvf cfe-3.9.1.src.tar
tar -xvf clang-tools-extra-3.9.1.src.tar
tar -xvf compiler-rt-3.9.1.src.tar
mv cfe-3.9.1.src clang
mv clang llvm-3.9.1.src/tools/
mv clang-tools-extra-3.9.1.src extra
mv extra/ llvm-3.9.1.src/tools/clang/
mv compiler-rt-3.9.1.src compiler-rt
mv compiler-rt llvm-3.9.1.src/projects/放好之后开始编译源代码，编译需要使用cmake 如果没有安装需要安装，下面开始编译，编译过程非常长，64G服务器还得半个小时左右，并且编译出来的文件有20多G大小，硬盘也要留够，为防止编译过程中断，尽量使用screen会话执行：
mkdir build-3.9
cd build-3.9
cmake -G "Unix Makefiles" ../llvm-3.9.1.src
make -j4
make install完了之后可以删除原来的代码目录
然后如果接下来再安装llvmlite的话，如果报cannot find -lstdc++的错误的话那么是缺少下面的包，可以使用yum安装：
yum -y install glibc-static
yum -y install libstdc++-devel
yum -y install libstdc++-static必须注意第三个一定要安装，如果不安装的话那么一直会报上面的错误，也可以下载libstdc++-static包进行离线安装，下载地址是：https://pkgs.org/download/libstdc++-static 下载之后使用rpm安装成功之后，再次安装llvmlite就成功了
然后开始安装numba，numba下载地址是:http://numba.pydata.org/download.html 这里我们下载最新版的0.31.0，下载之后和安装普通依赖一样执行setup.py就可以了，最后安装完成numba就可以使用了，下面写一个小案例来看一下加速后的程序和加速前的程序的区别，借用官网上最经典的例子：
#!/usr/bin/env python
# coding=utf-8
from numba import jit
from numpy import arange
import time
@jit
def sum2d(arr):
M, N = arr.shape
result = 0.0
for i in range(M):
for j in range(N):
result += arr[i,j]
return result
a = arange(9).reshape(3,3)
start_time = time.time()
for i in range(10000000):
sum2d(a)
end_time = time.time()
print (end_time - start_time)这里使用numpy生成三行三列的矩阵，[[0,1,2],[3,4,5],[6,7,8]]然后做二维累加计算，值显然应该是36，这里做了10000000次这样的计算，使用@jit注解可以直接的使用numba jit技术实时编译，从而提高速度，最终运行时间大约是3.86s，如果去掉注解的话那么运行时间大约是25.45s从这里可以看出来大约有6.6倍的性能提升，所以使用numba加速python程序确实是方便简单
分类: 00.dev - Python,02.Linux