如何在 Julia 中加速多个广播
How to speedup multiple broadcasts in Julia
这个 Julia 函数似乎效率很低（比等效的 Pythran / C++ 代码慢一个数量级，即使在 Julia 预热之后）...
function my_multi_broadcast(a)
10 * (2*a.^2 + 4*a.^3) + 2 ./ a
end
arr = ones(1000, 1000)
my_multi_broadcast(arr)
我猜只是我写得不正确...如何在 Julia 中实现这样的 "multi broadcasts" 加速？我 guess/hope 我不需要扩展循环...
在第一个答案后编辑
谢谢！通过我的设置，Pythran 解决方案（就地和不就地）仍然快 1.5 到 2 倍（没有 OpenMP）。有没有办法在 Julia 中激活 SIMD 指令？或者另一种加速这种 CPU 计算的方法？
Python代码：
from transonic import jit
@jit
def broadcast(a):
return 10 * (2*a**2 + 4*a**3) + 2 / a
@jit
def broadcast_inplace(a):
a[:] = 10 * (2*a**2 + 4*a**3) + 2 / a
根据@simd建议进行编辑
似乎 @simd 不能开箱即用，即只需将其添加到行首即可。
ERROR: LoadError: LoadError: Base.SimdLoop.SimdError("for loop expected")
Stacktrace:
[1] compile(::Expr, ::Bool) at ./simdloop.jl:54
[2] @simd(::LineNumberNode, ::Module, ::Any) at ./simdloop.jl:126
[3] include at ./boot.jl:317 [inlined]
[4] include_relative(::Module, ::String) at ./loading.jl:1044
[5] include(::Module, ::String) at ./sysimg.jl:29
[6] exec_options(::Base.JLOptions) at ./client.jl:231
[7] _start() at ./client.jl:425
我猜想必须扩展 for 循环，但随后代码 (i) 的可读性大大降低，并且 (ii) 不再独立于维度。
似乎我们有一个例子，简单的 Python/Numpy 代码可以用 Pythran 比我们用 Julia 更快地加速（除非有一种方法可以在 Julia 中加速它？和未来的 Julia版本可能会解决这个问题）。有意思...
像这样广播所有操作：
julia> function my_multi_broadcast2(a)
@. 10 * (2*a^2 + 4*a^3) + 2 / a
end
my_multi_broadcast2 (generic function with 1 method)
不同之处在于，在 10 * (2*a.^2 + 4*a.^3) + 2 ./ a 中，您实际上没有利用广播融合，因为 * 并且两个 + 没有广播。
写@. 10 * (2*a^2 + 4*a^3) + 2 / a等同于10 .* (2 .* a.^2 .+ 4 .* a.^3) .+ 2 ./ a.
下面是性能对比
julia> @btime my_multi_broadcast($arr);
58.146 ms (18 allocations: 61.04 MiB)
julia> @btime my_multi_broadcast2($arr);
5.982 ms (4 allocations: 7.63 MiB)
它与 Pythran / C++ 相比如何，因为我们获得了大约 10 倍的加速？
最后请注意，如果您可以通过以下方式改变 arr：
julia> function my_multi_broadcast3(a)
@. a = 10 * (2*a^2 + 4*a^3) + 2 / a
end
my_multi_broadcast3 (generic function with 1 method)
julia> @btime my_multi_broadcast3($arr);
1.840 ms (0 allocations: 0 bytes)
速度更快并且分配为零（我不知道你是想就地修改 arr 还是创建一个新数组，所以我展示了这两种方法）。
这个 Julia 函数似乎效率很低（比等效的 Pythran / C++ 代码慢一个数量级，即使在 Julia 预热之后）...
function my_multi_broadcast(a)
10 * (2*a.^2 + 4*a.^3) + 2 ./ a
end
arr = ones(1000, 1000)
my_multi_broadcast(arr)
我猜只是我写得不正确...如何在 Julia 中实现这样的 "multi broadcasts" 加速？我 guess/hope 我不需要扩展循环...
在第一个答案后编辑
谢谢！通过我的设置，Pythran 解决方案（就地和不就地）仍然快 1.5 到 2 倍（没有 OpenMP）。有没有办法在 Julia 中激活 SIMD 指令？或者另一种加速这种 CPU 计算的方法？
Python代码：
from transonic import jit
@jit
def broadcast(a):
return 10 * (2*a**2 + 4*a**3) + 2 / a
@jit
def broadcast_inplace(a):
a[:] = 10 * (2*a**2 + 4*a**3) + 2 / a
根据@simd建议进行编辑
似乎 @simd 不能开箱即用，即只需将其添加到行首即可。
ERROR: LoadError: LoadError: Base.SimdLoop.SimdError("for loop expected")
Stacktrace:
[1] compile(::Expr, ::Bool) at ./simdloop.jl:54
[2] @simd(::LineNumberNode, ::Module, ::Any) at ./simdloop.jl:126
[3] include at ./boot.jl:317 [inlined]
[4] include_relative(::Module, ::String) at ./loading.jl:1044
[5] include(::Module, ::String) at ./sysimg.jl:29
[6] exec_options(::Base.JLOptions) at ./client.jl:231
[7] _start() at ./client.jl:425
我猜想必须扩展 for 循环，但随后代码 (i) 的可读性大大降低，并且 (ii) 不再独立于维度。
似乎我们有一个例子，简单的 Python/Numpy 代码可以用 Pythran 比我们用 Julia 更快地加速（除非有一种方法可以在 Julia 中加速它？和未来的 Julia版本可能会解决这个问题）。有意思...
像这样广播所有操作：
julia> function my_multi_broadcast2(a)
@. 10 * (2*a^2 + 4*a^3) + 2 / a
end
my_multi_broadcast2 (generic function with 1 method)
不同之处在于，在 10 * (2*a.^2 + 4*a.^3) + 2 ./ a 中，您实际上没有利用广播融合，因为 * 并且两个 + 没有广播。
写@. 10 * (2*a^2 + 4*a^3) + 2 / a等同于10 .* (2 .* a.^2 .+ 4 .* a.^3) .+ 2 ./ a.
下面是性能对比
julia> @btime my_multi_broadcast($arr);
58.146 ms (18 allocations: 61.04 MiB)
julia> @btime my_multi_broadcast2($arr);
5.982 ms (4 allocations: 7.63 MiB)
它与 Pythran / C++ 相比如何，因为我们获得了大约 10 倍的加速？
最后请注意，如果您可以通过以下方式改变 arr：
julia> function my_multi_broadcast3(a)
@. a = 10 * (2*a^2 + 4*a^3) + 2 / a
end
my_multi_broadcast3 (generic function with 1 method)
julia> @btime my_multi_broadcast3($arr);
1.840 ms (0 allocations: 0 bytes)
速度更快并且分配为零（我不知道你是想就地修改 arr 还是创建一个新数组，所以我展示了这两种方法）。