Numba njit编译器导致与普通Python代码相比计算不同的数字？

Question

我在Python中使用Numba的njit工具时遇到了一个问题。我注意到，该函数在使用@numba.njit运行和以普通Python代码运行时会产生不同的结果。特别是，在调试之后，我注意到在使用numpy执行矩阵求逆时，计算中会出现差异。请参阅下面的测试代码。矩阵A和向量b的值位于以下csv文件中，可以通过以下链接访问这些文件：A.csv和b.csv

普通Python函数的结果是正确的。请帮我解决这个问题！我是否需要在numpy矩阵求逆函数周围使用Numba包装函数来解决似乎是一个数值问题？

好心的毕业生们，我期待着很快收到你们的回复:)

艾哈迈德

@numba.njit
def cal_Test_jit(A,b):
    c = np.linalg.inv(A)@b
    return c, np.linalg.inv(A)

def cal_Test(A,b):
    c = np.linalg.inv(A)@b
    return c, np.linalg.inv(A)

A = np.loadtxt(open("A.csv", "rb"), delimiter=",")
b = np.loadtxt(open("b.csv", "rb"), delimiter=",")

c_jit, Ai_jit = cal_Test_jit(A,b)
c, Ai = cal_Test(A,b)
err_c = abs(c-c_jit)
err_A = abs(Ai_jit-Ai)

# ploting the error in the parameters
plt.figure()
plt.plot(err_c)

# only ploting the error in first three columns of A
fig, ax = plt.subplots(1,3)
ax[0].plot(err_A[:,0])
ax[1].plot(err_A[:,1])
ax[2].plot(err_A[:,2])

Answer 1

在您的问题中使用numba的一种方法是添加：

@numba.jit(forceobj=True)

它将获得真实的结果，但执行时间比较为using njit (different results) > this method (exact results) == plain Python，例如使用colab TPU：

1000 loops, best of 5: 545 µs per loop     # using njit
1000 loops, best of 5: 505 µs per loop     # this method
1000 loops, best of 5: 500 µs per loop     # plain Python

但正如之前在另一个SO question上推荐的那样，Numba对于优化纯Python的子集非常有用，尤其是循环，接近优化的C代码@BatWannaBe的性能，而且几乎总是有比求逆矩阵更好的方法，例如np.linalg.solve @Humer512；这在另一个SO question @ali_m上有很好的解释。