Intel Distribution for Python在今年二月進行了更新——英特爾發布了Update 2版本。以「加速」為核心的它，相比原生Python環境有多大提升呢？
雷鋒網獲知，並行計算專家、前英特爾高級工程師James Reinders對老東家的產品進行了測試。他對外宣布：在配備四核i5的iMac上實現了20倍的性能加速，至於他是怎麼做到的，請繼續往下看（含代碼）。
ames Reinders：利用Intel Distribution for Python，我實現了 Python 的20倍加速，並且可用單個命令關閉/啟用。這還不是在最優情況下，而在虛擬環境——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。英特爾並沒有把openSUSE加入經他們測試過的Linux配置列表中（SUSE Enterprise在表中），但我在運行中並沒有遇到任何問題。
這就是我怎麼做的：
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、可開啟關閉的「環境」%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設置上有15到20倍的速度提升。
% source deactivate intelpy
% python < myprog.py
np.sin
102400 10000 36.1987440586
np.cos
102400 10000 36.1938228607
np.tan
102400 10000 51.487637043
% source activate intelpy
% python < myprog.py
np.sin
102400 10000 1.76131296158
np.cos
102400 10000 1.83870100975
np.tan
102400 10000 3.38778400421
That’s all! The speed-ups are 20.6X, 19.7X, and 15.2X in this quick test running on a virtual machine.
Here’s my little Python program:
% cat myprog.py
import numpy as np
import time
N = 102400
x = np.linspace(0.0123, 4567.89, N)
def mine(x,Z,func,name):
print name;
start = time.time()
for z in range ( 0, Z ) :
y = func(x);
end = time.time()
print N, Z, end - start
return
mine(x,10000,np.sin,'np.sin')
mine(x,10000,np.cos,'np.cos')
mine(x,10000,np.tan,'np.tan')
我花很短時間搞起來這個程序，用來驗證英特爾對加速NumPy中transcendental expression的承諾。Cosine, sine和tangent 是我還能記得的、搞TI calculator時候用的transcendental，所以我用它們來試。我決定對每一個進行十億級測試——運行超過十萬個數字的函數，重複超過一萬次。
雖然未必是一個很有意思的程序，但對於加速而言是個不錯的測試。
隨時加速Python
我此前寫過一篇文章，討論「Python 加速」（「accelerated Python」）使其更適用於大數據和 HPC 應用。 在速度更快之外，我還展示了，使用Conda來開啟/關閉加速是多麼得容易。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。我兩個都用並且都很喜歡。）
我使用 「conda create」來創造被我稱之為intelpy的環境。然後，我能夠使用「source activate intelpy」、「source deactivate intelpy」來激活、關閉它。
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。
對於運行於矢量或矩陣上的程序，上述這些都會生效。對於偶爾的單獨cosine，我們不應該期待大幅速度提升。同樣的，對於單核CPU，我們也不應該有性能提升的幻想。當然，英特爾72核協處理器Xeon Phi會在大量多核應用的跑分中領先。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置，我只是按照如下方式運行FFT程序：
% source deactivate intelpy
% python < myfftprog.py
fft
5000 2.22796392441
fft
7000 8.74916005135
% source activate intelpy
% python < myfftprog.py
fft
5000 0.277629137039
fft
7000 1.11230897903
速度提升為8和7.9倍。當然，還是運行於四核iMac上的openSUSE和VBox。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：
優化NumPy的算術和transcendental表達
Transcendental expressions包含我在快速示例程序裡用的cosine, sine和tangen。這些優化的核心是對NumPy的改變，使得 primitives （在 ndarray 數據上進行運算）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，包括多核優化和 AVX/AVX2/AVX-512。英特爾團隊表示，他們利用 Xeon Phi，實現過 NumPy 算術和 transcendental 運算在 vector-vector 和 vector-scalar 上最高400倍的速度提升。
優化NumPy和SciPy的FFT
這些優化的核心是英特爾MKL，一系列 NumPy、SciPy 函數都能用到它對 FFT 的原生優化。這些優化包含真實、複雜的數據類型，單精度和雙精度都包含 （single and double precision），從一維到多維的數據，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。
優化內存管理
Python是一門動態語言，為用戶管理內存。Python 應用的性能，在很大程度上取決於內存運行的性能，這包括內存分配、再分配（de-allocation）、複製和移動。英特爾提供的加速版本Python，能在NumPy分配數組時保證最佳的alignment，所以NumPy、SciPy的運算函數，能從相應排列的 SIMD 內存訪問指令獲益。英特爾表示最大的提升來自於對內存複製和移動運算的優化。
更快——能用Conda方便地關閉/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/關閉這一功能。這方便了性能對比，並且讓我感到安心——沒有這個功能的話，我會對切換到超快的數學函數感到猶豫。