为什么完全相同的函数在 ipython/jupyter 中表现不同？

Question

我有两个相同的函数，比如说，sum_nb 和 sum_nb2。我用 @njit 装饰器定义它们：

from numba import njit
from timeit import timeit

@njit
def sum_nb(n=100_000_000):
    s = 0
    for i in range(n):
        s += i
    return s

@njit
def sum_nb2(n=100_000_000):
    s = 0
    for i in range(n):
        s += i
    return s

如果我只是另存为脚本并添加代码来测量执行时间，一切都很好：

print(sum_nb())
print(sum_nb2())
print(timeit(sum_nb))
print(timeit(sum_nb2))

输出为：

4999999950000000
4999999950000000
0.41249959499691613
0.4120563520118594

现在我打开 ipython console/jupyter 实验室并将第一个代码复制到单元格中。然后我用魔法测量单元格中的代码时间：

In [3]: %timeit sum_nb()
240 ns ± 86.5 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [4]: %timeit sum_nb2()
7.32 µs ± 90 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

如果在 jupyter lab 中，也会发生同样的情况。它是如何发生的？怎么运行的？为什么相同的代码速度不同？

我有 ipython 7.7.0、numba 0.44.1、python 3.7.3、jupyter lab 1.0.2

Answer 1

这似乎是缓存行为不一致的结果。 Jupyter 甚至将此视为一个问题：The slowest run took 74.96 times longer than the fastest. This could mean that an intermediate result is being cached.

在我的机器上，具有缓存行为的函数在 ~240ns 内运行，而没有缓存行为的函数在 ~50μs 内运行。

我发现使两个函数之间的行为一致的唯一方法是将 n=100_000_000 拉入函数体，这使得两个函数都为 ~240ns。

为什么完全相同的函数在 ipython/jupyter 中表现不同？

Why does completely same function behave differently in ipython/jupyter?

python

ipython

jupyter

numba