酷睿i5性能這樣瞬間提升20倍！

Intel Distribution for Python在今年二月進行了更新——英特爾發(fā)布了Update 2版本。以“加速”為核心的它，相比原生Python環(huán)境有多大提升呢？

雷鋒網(wǎng)獲知，并行計算專家、前英特爾高級工程師James Reinders對老東家的產(chǎn)品進行了測試。他對外宣布：在配備四核i5的iMac上實現(xiàn)了20倍的性能加速，至于他是怎么做到的，請繼續(xù)往下看（含代碼）。

ames Reinders：利用Intel Distribution for Python，我實現(xiàn)了 Python 的20倍加速，并且可用單個命令關(guān)閉/啟用。這還不是在最優(yōu)情況下，而在虛擬環(huán)境——在 VirtualBox（下文簡稱VBox）上運行的openSUSE Linux Tumbleweed（即“滾動版本”)，使用的機器是四核iMac。

這在Windows, Linux或OS X都能實現(xiàn)。英特爾并沒有把openSUSE加入經(jīng)他們測試過的Linux配置列表中（SUSE Enterprise在表中），但我在運行中并沒有遇到任何問題。

這就是我怎么做的：

下載Anaconda命令行安裝程序，地址為https://www.continuum.io/downloads 。

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

安裝英特爾加速器，作為一個單獨的、可開啟關(guān)閉的“環(huán)境”%conda config --add channels intel % conda create --name intelpy intelpython2_full python=2

運行示例程序，看到在我的openSUSE VBox設(shè)置上有15到20倍的速度提升。

% source deactivate intelpy

% python 隨時加速Python

我此前寫過一篇文章，討論“Python 加速”（“accelerated Python”）使其更適用于大數(shù)據(jù)和 HPC 應(yīng)用。 在速度更快之外，我還展示了，使用Conda來開啟/關(guān)閉加速是多么得容易。這非常贊，讓安裝它的決定變得更加安全、沒有顧慮——因為該功能是一個可選項。（對新手的提醒： Anaconda 是針對 Python 算法包的集合，Conda則是package manager，即算法包管理器。我兩個都用并且都很喜歡。）

我使用 “conda create”來創(chuàng)造被我稱之為intelpy的環(huán)境。然后，我能夠使用“source activate intelpy”、“source deactivate intelpy”來激活、關(guān)閉它。

Intel Distribution for Python 帶來的大幅加速能力，讓 “accelerated Python” 變得更實用更讓人信服。

值得注意的是，“accelerated Python” 只是使用更快的Python算法庫，不需要對代碼做任何改動。當然，我們的Python代碼必須使用了某些加速的東西，才能從中獲益。

英特爾通過三大方面實現(xiàn)Python加速：

利用多核；

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

使用英特爾 Math Kernel Library (Intel MKL) 的更先進算法。

對于運行于矢量或矩陣上的程序，上述這些都會生效。對于偶爾的單獨cosine，我們不應(yīng)該期待大幅速度提升。同樣的，對于單核CPU，我們也不應(yīng)該有性能提升的幻想。當然，英特爾72核協(xié)處理器Xeon Phi會在大量多核應(yīng)用的跑分中領(lǐng)先。在我的例子中，我的虛擬機只利用iMac i5的四個核心。

FFT在4核虛擬機上有八倍性能提升

我也試了下Fast Fourier Transforms (FFT)。使用與原始程序相同的設(shè)置，我只是按照如下方式運行FFT程序：

% source deactivate intelpy

% python 這是我的快速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

筆者了解到，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：

優(yōu)化NumPy的算術(shù)和transcendental表達

Transcendental expressions包含我在快速示例程序里用的cosine, sine和tangen。這些優(yōu)化的核心是對NumPy的改變，使得 primitives （在 ndarray 數(shù)據(jù)上進行運算）能選擇性地使用英特爾MKL Short Vector Math Library (SVML) 和MKL Vector Math Library (VML) 的能力。這使得 Python 利用處理器的最新矢量能力，包括多核優(yōu)化和 AVX/AVX2/AVX-512。英特爾團隊表示，他們利用 Xeon Phi，實現(xiàn)過 NumPy 算術(shù)和 transcendental 運算在 vector-vector 和 vector-scalar 上最高400倍的速度提升。

優(yōu)化NumPy和SciPy的FFT

這些優(yōu)化的核心是英特爾MKL，一系列 NumPy、SciPy 函數(shù)都能用到它對 FFT 的原生優(yōu)化。這些優(yōu)化包含真實、復(fù)雜的數(shù)據(jù)類型，單精度和雙精度都包含 （single and double precision），從一維到多維的數(shù)據(jù)，in place 或者 out of place。英特爾團隊見到過這項更新帶來60倍的性能提升。這使得 Python 的性能可與原生 C/C++ 程序相媲美。

優(yōu)化內(nèi)存管理

Python是一門動態(tài)語言，為用戶管理內(nèi)存。Python 應(yīng)用的性能，在很大程度上取決于內(nèi)存運行的性能，這包括內(nèi)存分配、再分配（de-allocation）、復(fù)制和移動。英特爾提供的加速版本Python，能在NumPy分配數(shù)組時保證最佳的alignment，所以NumPy、SciPy的運算函數(shù)，能從相應(yīng)排列的 SIMD 內(nèi)存訪問指令獲益。英特爾表示最大的提升來自于對內(nèi)存復(fù)制和移動運算的優(yōu)化。

更快——能用Conda方便地關(guān)閉/啟用

Anaconda英特爾渠道的最新加速版本 Python，為Python程序帶來顯著性能優(yōu)化，而無需改變代碼。下載、安裝也很方便。

我真的特喜歡用Conda把它開啟/關(guān)閉這一功能。這方便了性能對比，并且讓我感到安心——沒有這個功能的話，我會對切換到超快的數(shù)學(xué)函數(shù)感到猶豫。