胡渊鸣大神：import一个“太极”库，让Python代码提速100倍！ 来源：量子位 众所周知，Python的简单和易读性是靠牺牲性能为代价的—— 尤其是在计算密集的情况下，比如多重for循环。 不过现在，大佬胡渊鸣说了： 只需import 一个叫做“Taichi”的库，就可以把代码速度提升100倍！ 不信？ 来看三个例子。 计算素数的个数，速度x120第一个例子非常非常简单，求所有小于给定正整数N的素数。 标准答案如下： 我们将上面的代码保存，运行。 当N为100万时，需要2.235s得到结果： 现在，我们开始施魔法。 不用更改任何函数体，import“taichi”库，然后再加两个装饰器： Bingo！同样的结果只要0.363s，快了将近6倍。 如果N=1000万，则只要0.8s；要知道，不加它可是55s，一下子又快了70倍！ 不止如此，我们还可以在ti.init()中加个参数变为ti.init(arch=ti.gpu) ，让taich在GPU上进行计算。 那么此时，计算所有小于1000万的素数就只耗时0.45s了，与原来的Python代码相比速度就提高了120倍！ 厉不厉害？ 什么？你觉得这个例子太简单了，说服力不够？我们再来看一个稍微复杂一点的。 动态规划，速度x500动态规划不用多说，作为一种优化算法，通过动态存储中间计算结果来减少计算时间。 我们以经典教材《算法导论》中的经典动态规划案例“最长公共子序列问题（LCS）”为例。 比如对于序列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就是： LCS(a, b) = [0, 1, 4, 3, 1, 2]。 用动态规划的思路计算LCS，就是先求解序列a的前i个元素和序列b的前j个元素的最长公共子序列的长度，然后逐步增加i或j的值，重复过程，得到结果。 我们用f[i, j]来指代这个子序列的长度，即LCS((prefix(a, i), prefix(b, j)。其中prefix(a, i) 表示序列a的前i个元素，即a[0], a[1], …, a[i - 1]，得到如下递归关系： 完整代码如下： 现在，我们用Taichi来加速： 结果如下： 胡渊鸣电脑上的程序最快做到了0.9秒内完成，而换成用NumPy来实现，则需要476秒，差异达到了超500倍！ 最后，我们再来一个不一样的例子。 反应 - 扩散方程，效果惊人自然界中，总有一些动物身上长着一些看起来无序但实则并非完全随机的花纹。 图灵机的发明者艾伦·图灵是第一个提出模型来描述这种现象的人。 在该模型中，两种化学物质（U和V）来模拟图案的生成。这两者之间的关系类似于猎物和捕食者，它们自行移动并有交互： 最初，U和V随机分布在一个域上； 在每个时间步，它们逐渐扩散到邻近空间； 当U和V相遇时，一部分U被V吞噬。因此，V的浓度增加； 为了避免U被V根除，我们在每个时间步添加一定百分比 (f) 的U并删除一定百分比 (k) 的V。 上面这个过程被概述为“反应-扩散方程”： 其中有四个关键参数：Du（U的扩散速度），Dv（V的扩散速度），f（feed的缩写，控制U的加入）和k（kill的缩写，控制V的去除）。 如果Taichi中实现这个方程，首先创建网格来表示域，用vec2表示每个网格中U, V的浓度值。 拉普拉斯算子数值的计算需要访问相邻网格。为了避免在同一循环中更新和读取数据，我们应该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，我们将更新的数据写入另一个网格，然后切换下一个网格。那么数据结构设计就是这样： 一开始，我们将U在网格中的浓度设置为 1，并将V放置在50个随机选择的位置： 那么实际计算就可以用不到10行代码完成： @ti.kernel defcompute(phase:int): fori,jinti.ndrange(W,H): cen=uv[phase,i,j] lapl=uv[phase,i+1,j]+uv[phase,i,j+1]+uv[phase,i-1,j]+uv[phase,i,j-1]-4.0*cen du=Du*lapl[0]-cen[0]*cen[1]*cen[1]+feed*(1-cen[0]) dv=Dv*lapl[1]+cen[0]*cen[1]*cen[1]-(feed+kill)*cen[1] val=cen+0.5*tm.vec2(du,dv) uv[1-phase,i,j]=val在这里，我们使用整数相位（0或1）来控制我们从哪个网格读取数据。 最后一步就是根据V的浓度对结果进行染色，就可以得到这样一个效果惊人的图案：? ?有趣的是，胡渊鸣介绍，即使V的初始浓度是随机设置的，但每次都可以得到相似的结果。 而且和只能达到30fps左右的Numba实现比起来，Taichi实现由于可以选择GPU作为后端，轻松超过了 300fps。 pip install即可安装看完上面三个例子，你这下相信了吧？ 其实，Taichi就是一个嵌入在Python中的DSL（动态脚本语言），它通过自己的编译器将被 @ti.kernel 装饰的函数编译到各种硬件上，包括CPU和GPU，然后进行高性能计算。 有了它，你无需再羡慕C++/CUDA的性能。 正如其名，Taichi就出自太极图形胡渊鸣的团队，现在你只需要用pip install就能安装这个库，并与其他Python库进行交互，包括NumPy、Matplotlib和PyTorch等等。 当然，Taichi用起来和这些库以及其他加速方法有什么差别，胡渊鸣也给出了详细的优缺点对比，感兴趣的朋友可以戳下面的链接详细查看： https://docs.taichi-lang.org/blog/accelerate-python-code-100x 推荐阅读 西电IEEE Fellow团队出品！最新《Transformer视觉表征学习全面综述》润了！大龄码农从北京到荷兰的躺平生活（文末有福利哟！）如何做好科研？这份《科研阅读、写作与报告》PPT，手把手教你做科研一位博士在华为的22年奖金675万！3位科学家，斩获“中国诺贝尔奖”！又一名视觉大牛从大厂离开！阿里达摩院 XR 实验室负责人谭平离职 最新 2022「深度学习视觉注意力 」研究概述，包括50种注意力机制和方法！【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！2021李宏毅老师最新40节机器学习课程！附课件+视频资料 欢迎大家加入DLer-计算机视觉技术交流群！ 大家好，群里会第一时间发布计算机视觉方向的前沿论文解读和交流分享，主要方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。 进群请备注：研究方向+学校/公司+昵称（如图像分类+上交+小明） ??长按识别，邀请您进群！